Probabilidad y Estadistica Sin Respuestas

Probabilidad y estadstica
Temario
I. Probabilidad
a. Conteo
b. Espacios muestrales
c. Probabilidad de eventos, reglas aditivas y multiplicativas
d. Eventos independientes, dependientes y probabilidad condicional
e. Teorema de Bayes
II. Variable Aleatoria
a. Variable aleatoria
b. Distribucin de probabilidad (discretas y continuas)
c. Distribucin de probabilidad conjunta
d. Esperanza, varianza y covarianza
e. Algunas distribuciones de probabilidad (manejo de tablas)
Binomial, Poisson, Hipergeomtrica, binomial negativa, uniforme, normal, chi,
exponencial, t-student y F
III. Estadstica descriptiva e inferencial
a. Grficas de puntos, grficas de barras e histogramas
b. Estimacin puntual
c. Estimacin por intervalos
IV. Pruebas de hiptesis estadsticos
a. Definicin
b. Hiptesis simples e hiptesis compuestas
c. Error tipo I y error tipo II
d. Niveles de significancia
Bibliografa.
1. Devore JAY L (2001)

Probabilidad y Estadstica para ingenieros y ciencias, Mxico
Thomson Learning
2. Menden Hall William Sincichi Ferry
Escalona Roberto (2007)
Probabilidad t Estadstica para ingeniera y ciencias, Mxico
Prentice-Hall
Evaluacin
4 exmenes parciales
I. Probabilidad
Conteo.
Lanzamientos de dados, o monedas, juego con barajas, ruletas loteras, etc.

Fenmenos meteorolgicos como humedad, extensin de lluvia, velocidad del viento
etc. se les llama fenmenos o procesos aleatorios los cuales tienen en comn que son
impredecibles, es decir aunque se repitan no siempre se observa el mismo resultado.
La probabilidad y la estadstica son las disciplinas que se encargan del estudio del azar
desde el punto de vista de las matemticas la primera propone modelos para los
fenmenos aleatorios y estudia sus consecuencias lgicas, mientras que la segunda
nos provee de mtodos y tcnicas para elegir modelos adecuados a los fenmenos en
estudio a partir de informacin emprica.
Hoy en da, es incuestionable el impacto que la teora de la probabilidad ha tenido en

el pensamiento cientfico moderno y su influencia se nota en campos tan diversos
como ecologa, explotacin de recursos renovables y no renovables, demografa,
medicina, comunicaciones, computacin, finanzas, economa, actuara etc.
La tarea de calcular probabilidades se reduce a contar. En muchos experimentos es prohibitivo

contar ya que el conjunto de resultados es demasiado grande y entonces podemos hacer uso
de algunas reglas
Reglas del producto para pares ordenados
Nuestra primera regla de conteo se aplica cuando el conjunto consta de pares ordenados y
queremos contarlos
Proposicin 1.1 Si el primer elemento de un par ordenado se puede seleccionar en n1 formas y

por cada una de estas n1 formas se puede seleccionar el segundo elemento del par en n2
formas entonces el nmero de pares es n1.n2
Ejemplo 1.2 El propietario de una casa desea efectuar algunas remodelaciones y requiere los
servicios de un plomero y un electricista. Si hay 12 plomeros y 9 electricistas en la zona De
cuantas formas puede seleccionarlo? Podemos representar por p1, p2, ,p12 y e1, e2,,e6 a
los plomeros y electricistas por tanto queremos el nmero de pares ordenados de la forma (pi,
ej) con n1=12 y n2=9, el producto es 12x9=108 formas posibles de escogerlos.
Una forma ms general de esta primera regla es:

Proposicin 1.3. Supongamos que un conjunto est formado por grupos ordenados de k-
elementos y que hay n1 posibles opciones para el primer elemento, por cada opcin del
primer elemento hay n2 opciones para el segundo elemento.por cada posible opcin de los
primeros k-1 elementos hay nk opciones del k-esimo elemento. Hay entonces n1.n2.nk
posibles k arreglos.
Una segunda regla:
Permutaciones.
Definicin 1.4 Cualquier secuencia ordenada de k objetos tomados de un conjunto de n

objetos distintos se llama permutacin de tamao k de los objetos. El nmero de
permutaciones de tamao k que pueda construirse de los n objetos se simboliza por Pkn
Pkn=n(n-1)(n-2).(n-k+2)(n-k+1)
El primer elemento se puede seleccionar de n formas distintas, por cada n formas el segundo
elemento los podemos seleccionar de n-1 formas distintas y as sucesivamente.
Ejemplo 1.5 Hay ocho asistentes de enseanza para calificar trabajos en un curso particular. El
primer examen consiste en cuatro preguntas y el profesor desea seleccionar un asistente para
calificar cada pregunta (solo un asistente por pregunta) En cuntas formas se puede
seleccionar los asistentes para calificar el examen? aqu n=nmero de asistentes para calificar
=8 y k =nmero de preguntas =4. Pkn=(8)(7)(6)(5)=1680
Una tercera regla.
Combinaciones.
Definicin 1.6 En un conjunto de n objetos distintos, cualquier subconjunto no ordenado de

tamao k de los objetos se llama combinacin. En el nmero de combinaciones de tamao k
que se pueda formar de n objetos distintos se denotar por ( ).
( )= ( )
El nmero de combinaciones de tamao k de un conjunto particular es menor que el nmero

de permutaciones porque el orden no se considera.
Ejemplo 1.7 Una mano de baraja est formada por 13 cartas seleccionadas de un grupo de 52
cartas, sin considerar ningn orden. Hay ( ) manos de barajas diferentes lo que da por
resultado alrededor de 635 mil millones.
Espacios muestrales.
Definicin. 1.8 Un experimento aleatorio es aquel que proporciona diferentes resultados an

cuando se repita siempre de la misma manera.
Definicin 1.9 Un espacio muestral de un experimento aleatorio denotado por S. es el

conjunto de todos los posibles resultados de este experimento.
Ejemplo 1.10 Experimentos sencillos donde se aplica la probabilidad es aquel que tiene dos
posibles resultados. Uno consiste en examinar un solo fusible para ver si esta defectuoso o no.
S={N,D}, N significa no defectuoso, D defectuoso, otro consiste en observar el sexo del
siguiente nio recin nacido en el hospital local S={M,F} M masculino, F femenino. Uno ms, si
examinamos tres fusibles en secuencia y observamos el resultado de cada examen el resultado
total del experimento es cualquier secuencia de letras N y D de tamao 3. S={NNN, NND, ,
DDD}.
Ejemplo 1.11 Dos gasolineras se encuentran en cierto cruce de caminos. En cada una hay 6
bombas de gasolina. El experimento especifica cuantas bombas estn en uso en la primera
gasolinera y cuantas en la segunda. Hay 49 posibles resultados S={(0,0), (0,1),(6,6) }
Ejemplo 1.12 Si una batera nueva tipo D para linterna tiene voltaje fuera de ciertos lmites, se
considera como una falla (F), si una batera tiene un voltaje dentro de los lmites prescritos es
un xito (E). Supongamos que un experimento consiste en probar cada batera hasta observar
un xito. El espacio muestral es S={E, FE, FFE,} con un nmero infinito de posibles resultados.
Definicin 1.13 Un evento es cualquier coleccin (subconjunto) de resultados contenido en el

espacio muestral S. Un evento es simple si est formado por un resultado y compuesto si
consta de ms de un resultado.
Ejemplo 1.14 Considere un experimento donde cada uno de tres automviles toma una salida
en particular de una autopista y dan vuelta a la izquierda (L) o a la derecha (R). Algunos
eventos son:
A={RLL, LRL,LLR} el evento donde exactamente uno de los tres automviles dan vuelta
a la derecha.
B={LLL,RLL,LRL,LLR} a lo sumo uno de los automviles dan vuelta a la derecha.
C={LLL,RRR} los tres automviles dan vuelta en la misma direccin.
Ejemplo 1.15 Al observar el nmero de bombas en dos gasolineras, con seis bombas cada una,
podemos tener los siguientes eventos:
A={(0,0), (1,1), (2,2),(3,3),(4,4),(5,5),(6,6)} el evento en donde el nmero de bombas en
uso es el mismo para ambas gasolineras.
B={(0,4), (1,3),(2,2),(3,1),(4,0)} el evento en donde el nmero total de bombas en uso
es 4.
C={(0,0),(0,1),(1,0),(1,1)} el evento en que a lo sumo una bomba esta en uso en cada
gasolinera.
Ejemplo 1.16 El espacio muestral para el experimento del examen de las bateras contiene un
nmero infinito de resultados. Ejemplos de eventos son:
A={E,FE,FFE} el evento en donde a lo sumo se examinan tres bateras.
B={FE,FFFE,FFFFFE} el evento donde se examinan un nmero par de bateras.
Ejercicio 1.17 Cada muestra de cuatro hipotecas para vivienda est clasificada como tasa fija
(F) y tasa variable (V)
a) Cules son los 16 resultados en S?.
b) Cules resultados estn en el evento donde exactamente tres de las
hipotecas seleccionadas son de tasa fija?
c) Cules resultados estn en el evento donde cuatro hipotecas son del
mismo tipo?.
d) Cules resultados estn en el evento donde, a lo sumo una de las cuatro
hipotecas es de tasa variable?
e) Cul es la unin de los eventos de los incisos c) y d) y cul es la
interseccin de estos dos eventos?
f) Cules son la unin e interseccin de los dos eventos de los incisos b) y c)
Ejercicio 1.18 Una familia formada por tres personas A, B y C asisten a una clnica mdica que
siempre tiene un mdico en cada uno de los puestos 1, 2 y 3. Durante cierta semana cada
miembro de la familia visita una vez a la clnica y se le asigna al azar un mdico, el experimento
consiste en registrar el nmero de puestos asignado a cada miembro de la familia. Un
resultado de (1,2,1) es para A el puesto 1, B el puesto 2 y C el puesto 1.
a) Haga una lista de los 27 resultados del espacio muestral.
b) Haga una lista de todos los resultados del evento en el cual las tres personas de la
familia vayan al mismo puesto.
c) Haga una lista de todos los resultados del evento en el cual todos los miembros de
la familia vayan a diferentes puestos.
d) Haga una lista de todos los resultados del evento en el cual ningn miembro de la
familia vaya al puesto 2.
Ejercicio 1.19 Un departamento acadmico acaba de terminar una votacin secreta para elegir
al jefe del departamento. La urna de votos contiene cuatro papeletas con votos para el
candidato A y tres papeletas con votos para el candidato B. Suponga que las papeletas se sacan
de la caja una por una.
a) Haga una lista de todos los resultados posibles
b) Suponga que se realiza un conteo a medida que se sacan las papeletas. En cules
resultados A se mantiene delante de B en el conteo?
Los eventos son subconjuntos y por tanto podemos emplear las operaciones normales de la
teora de conjuntos para combinar eventos.
Definicin 1.20. Evento nulo. El evento que contiene a ningn resultado del espacio muestral
recibe el nombre de evento nulo o vacio.
Definicin 1.21 Unin de dos eventos. El evento formado por todos los posibles resultados en
A o en B o en ambos, recibe el nombre de la unin de A y B y se denota por AB.
Ejemplo 1.22 Supongamos que A es el evento en que el dado cae en un nmero que es par, B
que es primo.
AB={2,4,6} {2,3,5}={2,3,4,5,6}
Definicin 1.23. Interseccin de dos eventos. El evento formado por los resultados comunes
tanto de A como de B recibe el nombre de interseccin de A y B y se denota por AB.
Ejemplo 1.24. A es el evento en que el dado cae en un nmero que es par y B en el que cae en
un nmero primo, entonces AB={2,4,6} {2,3,5}={2}.
Definicin 1.25 Eventos disjuntos. Se dice que los eventos A y B son mutuamente excluyentes
o disjuntos si no tienen resultados en comn, en otras palabras AB=.
Definicin 1.26 Contencin de eventos. Si cualquier resultado de B es tambin resultado de A,

se dice que el evento B est contenido en A y se denota por BA.
Definicin 1.27 Diferencia de eventos. El conjunto A-B es el evento en que sucede A pero no
sucede B.
Ejemplo 1.28 En el ejemplo de tirar un dado A-B={2,4,6}-{2,3,5}={4,6}
Definicin 1.29 Complemento de un evento. El complemento de un evento A con respecto al

espacio muestral S, es aquel que contiene a todos los resultados de S que no se encuentren en
A y se denota por A.
Ejercicio 1.30 Para el experimento donde se observa el nmero de bombas en uso, en una sola
gasolinera de 6 bombas, es A={0,1,2,3,4}, B={3,4,5,6} y C={1,3,5}, entonces
AB= AC= A A A= {A
Ejercicio 1.31. En un torneo de baloncesto vacacional participan 4 universidades 1, 2, 3 , 4. En

la primera ronda 1 jugar contra 2 y 3 contra 4. Los dos ganadores jugarn por el campeonato
y los dos perdedores tambin jugarn. Un posible resultado se puede representar por 1324 (1
le gana a 2 y 3 le gana a 4 en la primera ronda y despus 1 derrota a 3 y 2 le gana a 4).
a) Haga una lista de todos los resultados de S.

b) Sea en evento en que 1 gana el torneo. Haga una lista de los resultados en A
c) Sea el evento en que 2 llega a la final. Haga una lista de los resultados en B
d) Cules son los resultados en AB y en AB?, Cules son los resultados en A ?
Probabilidades de eventos, reglas aditivas y multiplicativas
Dado un experimento y un espacio muestral S, a cada evento A le asignamos un nmero P(A)

llamado la probabilidad del evento A, que dar una medida de que tan frecuente o que tan
probable ocurre un evento.
Toda probabilidad es un nmero real entre 0 y 1. Para los casos extremos, si el evento nunca
ocurre, este tiene probabilidad 0, en cambio si el evento siempre ocurre, entonces tiene
probabilidad 1.
Toda probabilidad debe cumplir con los siguientes axiomas:
Axioma 1. Para cualquier evento P(A)0

Axioma 2. P(S)=1
Axioma 3.
a) si A1, A2, ,Ak es un conjunto finito de eventos mutuamente
excluyentes, entonces
P(A1, A2, ,Ak)= ( )
b) Si A1, A2, es un conjunto infinito de eventos mutuamente
excluyentes entonces
P(A1, A2, ,Ak)= ( )
La probabilidad cumple con las siguientes propiedades:
Proposicin 1.32. Para cualquier evento A, P(A)=1-P(A)

Ya que A y A son eventos disjuntos y como S=AA
1=P(S)=P(A)+P(A) por axioma 2 y 3
Entonces 1-P(A)=P(A)
Proposicin 1.33. Si A y B son mutuamente excluyentes P(AB)=0

Debido a que A y B no contienen elementos en comn entonces S=(AB)
As 1=P(S)=P((AB))=1-P(AB) as, P(AB)=1-1=0
Proposicin 1.34. Para cualquiera dos eventos A y B

P(AB)=P(A)+P(B)- P(AB)
Observe que AB=A (AB)
Y como A y AB son disjuntos, entonces
P(AB)=P(A)+P(AB)
Pero B=( AB) ( AB)
P(B)= P( AB) +P( AB)
P(AB)-P(A)=P(B)- P(AB)
P(AB)=P(A)+P(B)- P(AB)
Nota. Si son tres o ms eventos se calculan de manera anloga.

Por ejemplo para tres eventos:
P(ABC))=P(A)+P(B)+P(C)- P(AB)- P(AC) -P(BC)+P(ABC)
Cuando los diversos resultados de un experimento son igualmente probables, la tarea de

calcular las probabilidades se reduce a contar. En particular si N es el nmero de resultados en
un espacio muestral y N(A) es el nmero de resultados contenidos en el evento A entonces:
( )
P(A)= (1)
Algunas probabilidades de algunos experimentos son:
Ejemplo 1.35 Tirar un dado

S={1, 2, 3, 4, 5, 6}
P(1)=P(2)=P(3)=P(4)=P(5)=P(6)=
Ejemplo 1.36 Par de dados.

S={1, 2, 3, 4, 5, 6}x{1, 2, 3, 4, 5, 6}={(1,1), (1,2), ,(6,6)}
P(s)= para todo s S
Ejercicio 1.37 Indicador giratorio (la aguja gira y apunta a cualquiera de las cuatro
regiones)
34 4
3
1
2 1
2
S=
P(1)= P(2)= P(3)= P(4)=
Ejercicio 1.38. Si se tiran dos dados. Cul es la probabilidad de que la suma de los dos
dados sea 7?
Ejercicio 1.39 Ahora se tira al aire cinco veces una moneda. Cul es la probabilidad de
sacar exactamente una cara?
Ejemplo 1.40 Una mano de baraja est formada por 13 cartas seleccionadas de un
grupo de 52 cartas, sin considerar ningn orden. Hay ( ) =( )(
manos de
)
barajas diferentes. Hay 13 cartas en cada palo. Supongamos que una mano de
cartas se reparte de un grupo bien barajeado, sea
A: el evento de la mano formada slo de espadas y bastos con ambos palos
representados
B: el evento de la mano formada por exactamente dos palos
Entonces N= ( ) posibles resultados son igualmente probables por lo que:
( ) ( )
P(A)= = (el -2 es porqu quitamos todos espadas y todos bastos)
( )
Como hay ( )=6 combinaciones formadas de dos palos, entonces
(( ) )
P(B)= = =.0000983
( )
Es decir, una mano formada slo por cartas de exactamente dos de los cuatro palos se
presentara casi una vez en cada 10 000 manos.
Ejemplo 1.41 Mano de pquer (es un conjunto de cinco cartas de 52 que tiene la
baraja)
N=( ) P(s)= para toda sS
( )
Ejercicio 1.42 Se tira al aire una moneda cinco veces. Cul es la probabilidad de
obtener exactamente dos caras?.
Ejercicio 1.43 Se tiran 10 dados. Cul es la probabilidad de que ninguno muestre el

nmero 1?
Ejercicio 1.44 Una mano de pquer se llama pcar si cuatro de las cinco cartas tienen
el mismo valor, por ejemplo cuatro 7 o cuatro reyes. Cul es la probabilidad de que
una mano de pquer salga pcar?
Ejercicio 1.45. Una pareja tiene cuatro hijos. Qu es lo ms probable: que tengan dos
nios y dos nias, o que tengan tres de un gnero y uno del otro?
Ejercicio 1.46. Problema del cumpleaos.

a) Se escogen cuatro personas al azar. Cul es la probabilidad de que dos o ms
de ellas tengan el mismo aniversario?.
Haciendo la hiptesis de que ninguna de las personas nazca el 29 de Febrero.
b) Si se eligen 23 personas Cul es la probabilidad de que algunas de ellas tengan

el mismo aniversario?
Ejercicio 1.47. En cierto suburbio residencial, 60% de las familias, estn suscritas al
peridico metropolitano que se publica en una ciudad cercana, 80% estn suscritas al
peridico vespertino local y el 50% de todas las familias estn suscritas a ambos
peridicos. Si se selecciona una familia al azar. Cul es la probabilidad de que est
suscrita a) al menos a uno de los dos peridicos y b) Exactamente a uno de los dos
peridicos?
Ejemplo 1.48 Sealemos los seis eventos elementales {1}, {2}, {3}, {4}, {5}, {6} asociados
con lanzar al aire un dado por E1, E2, E3, E4, E5, E6. Si en el dado cualesquiera de los tres
resultados pares tiene el doble de probabilidad de ocurrir que los tres resultados
impares, entonces una apropiada asignacin de probabilidades para eventos
elementales es P(E1)= P(E3)= P(E5)= y P(E2)= P(E4)= P(E6)= , entonces P(el resultado es
par)= P(E2)+P(E4)+P(E6)=
P(el resultado 3)= P(E1)+ P(E2)+P(E3)= .
Ejercicios de repaso.
Ejercicio 1.49 Sea (S, P) el espacio muestral en que S={1,2,3,4} y P(1)=.1, P(2)=.1,
P(3)=.2, P(x)=x, calcule x.
Ejercicio 1.50. Sea (S, P) el espacio muestral en el que S={1, 2, 3, 4}. Suponga que
P(1)=x, P(2)=2x, P(3)=3x y P($)=4x. Calcule x.
Ejercicio 1.51. Se lleva a cabo un experimento en el que se arroja una moneda al aire y
se tira un dado. Describa ste experimento en forma de un espacio muestral. Haga una
lista explicita de todos los elementos del conjunto S. (H cara, T cruz)
Ejercicio 1.52.Dados tetradricos. Un tetraedro es un cuerpo con cuatro caras, cada
una de las cuales es un tringulo equiltero. Se puede hacer dados en forma de
tetraedros y marcar sus caras con los nmeros del 1 al 4. Cuando se tiran, la cantidad
que cae boja abajo sobre la mesa es el resultado.
a) Forme un espacio muestral que represente el tirar un dado tetradrico.
b) Forme un espacio muestral que represente el tirar un par de dados tetradrico.
Ejercicio 1.53 Una bolsa contiene 20 canicas. Son canicas idnticas pero estn
numeradas del 1 al 20. Se toman 5 canicas al azar de la bolsa. Hay barias formas de
imaginarlo.
a) Las canicas se toman una por una, sin devolverlas. Una vez que se toma una
canica no se devuelve a la bolsa. Se forman todas las listas posibles de canicas.
En ste caso el sacar las canicas en orden 1, 2, 3, 4, 5 es distinto a sacarlas en el
orden 5, 4, 3, 2, 1. Cul es la probabilidad de cada evento individual?
b) Las canicas se toman de una vez, sin devolverlas se sacan de una vez las 5
canicas. En este caso se considera el mismo resultado sacar las canicas 1, 2, 3,
4, 5 que sacar 5, 4, 3, 2, 1. Cul es la probabilidad de cada evento individual?
c) Las canicas se sacan una por una, devolvindolas cada vez una vez tomada una
canica, se mete a la bolsa, donde se mezcla con las que hay en ella, se saca la
siguiente canica, se regresa y as sucesivamente. En este caso sacar 1,1,2,3,5 y
sacar 1,2,1,3,5 son resultados distintos. Cul es la probabilidad de cada evento
individual?
Ejercicio 1.54. Se lanza un dardo con los ojos vendados hacia el blanco que se ve en la
siguiente figura. La probabilidad de que se clave en cada una de las cuatro regiones
concntricas es proporcional al rea de la regin. Los radios de los crculos son 1, 2, 3 y
4 unidades respectivamente. Observa que la regin 2 es el anillo que va del radio 1 al
radio 2, sin tener en cuenta la regin 1 encerrada por ella.
Sea (S,P) un espacio muestral que modela este caso. El conjunto S consta de cuatro
resultados: dar en la regin 1, 2, 3, 4. Se puede abreviar esto en la forma S={1, 2, 3,4}
calcular P(1), P(2), P(3) y P(4).
4
3 2 1
1
Ejercicio 1.55. Describa un ejemplo de un espacio muestral con tres elementos en el
que uno de ellos tiene una probabilidad igual a 1.
Ejercicio 1.56. Describa un ejemplo de un espacio muestral en el que todos los

elementos tengan probabilidad 1.
Ejercicio 1.57. En la definicin ( ( ) ). Se requiere que el conjunto S no sea

vacio. De hecho este requisito es redundante. Demuestre que si se omite este
requisito en la definicin de todos modos es imposible tener un espacio muestral en el
que el conjunto S sea vacio.
Ejercicio 1.58. Recuerde a los dados tetradricos. Suponga que se tira un par de esos
dados. La suma de los valores que se obtienen (cara abajo) puede ir de 2=1+1 hasta
8=4+4. Sea Ak el evento en que la suma de los valores de los dados es k. Para cada
valor de k de 2 a 8 haga lo siguiente:
a) Escriba el evento Ak mostrando en forma explcita sus elementos entre llaves.
b) Calcule P(Ak).
Ejercicio 1.59. Se arroja cuatro veces una moneda. Sea A el evento en que anotamos
una cantidad igual de caras y de cruces. Escriba el evento A mostrando en forma
explcita a sus elementos entre llaves. Evalu P(A).
Ejercicio 1.60. Se tira una moneda 10 veces. Cul es la probabilidad de que anotemos
una cantidad igual de caras y de cruces?.
Ejercicio 1.61. Se tira una moneda n veces. Cul es la probabilidad de sacar

exactamente h caras?.
Ejercicio 1.62. Sea (S,P) el espacio muestral al arrojar una moneda 10 veces. Sea A el
evento en que los resultados sean caras y cruces alternadas.
Ejercicio 1.63. Se tira un par de dados. Sea A el evento en que la suma de los nmeros
que salen sea 8.
a) Escriba en forma explcita el conjunto A, en forma de pares ordenados.
b) Evale P(A)
Ejercicio 1.64. Se tiran tres dados. Cul es la probabilidad de que los tres caigan en
nmeros pares?.
Ejercicio 1.65 Se tiran tres dados. Cul es la probabilidad de que la suma de los
nmeros que salieron sea par?
Ejercicio 1.66.Se tiran dos dados. Sea A el evento en que la cantidad del primer dado
es mayor que la del segundo
a) Escriba en forma explcita A en forma de conjunto.
b) Evale P(A).
Ejercicio 1.67. Una bolsa contiene 10 cajas con envoltura idntica pero con contenidos
de distinto valor por ejemplo cada una contiene una cantidad distinta de monedas.
Alicia y Roberto van a sacar una caja cada uno de la bolsa. Suponga que Alicia saca al
azar una de las 10 cajas y que despus Roberto saca la suya al azar entre las que
quedan. Cul es la probabilidad de que el contenido de la caja de Alicia sea ms
valiosa que el de la caja de Roberto?. Hay alguna ventaja en ser el primero en
extraerla?
Ejercicio 1.68. Dados no transitivos. En este problema consideramos tres dados con
numeracin desacostumbrada. Los llamaremos dados 1, 2, y 3. Los puntos de cada uno
se muestran en la siguiente tabla.
Dado 1 5 6 7 8 9 18
Dado 2 2 3 4 15 16 17
Dado3 1 10 11 12 13 14
Con esos dados se jugar, a cada jugador se le da un dado, dos de los jugadores tienen
dados distintos, cada quin tira su dado y gana el que se muestre el nmero ms alto.
a) Si se tiran los dados 1 y 2. Cul es la probabilidad de que el dado 1 le gane al
dado 2?
b) Si se tiran los dados 2 y 3. Cul es la probabilidad de que el dado 2 le gane al
3?
c) SI se toma los dados 3 y 1. Cul es la probabilidad de que el dado 3 le gane al
dado 1?
d) Cul es el mejor de los dados?
Ejercicio 1.69. Manos de pquer.

a) Cul es la probabilidad de que una mano de pquer sea una tercia?. Una tercia
tiene tres cartas del mismo valor y dos de distintos valores; por ejemplo tres
dieces, un 7 y una sota.
b) Cul es la probabilidad de que una mano de pquer sea full?. Un full tiene tres
cartas de un mismo valor y un par de cartas de otro valor, por ejemplo tres
reinas y dos cuatros.
c) Cul es la probabilidad de que una mano de pquer tenga un par?. Un par

quiere decir dos cartas del mismo valor y tres son de valores distintos por
ejemplo, dos nueves, un rey, un ocho y un cinco.
d) Cul es la probabilidad de que una mano de pquer tenga dos pares?. Dos
pares quiere decir que dos cartas son de un mismo valor dos cartas ms son de
otro valor comn y una carta es de cualquier otro valor, por ejemplo, dos sotas,
dos ochos y un tres.
e) Cul es la probabilidad de que una mano de pquer sea una flor?. Una flor
quiere decir que las cinco cartas son del mismo palo.
Ejercicio 1.70. Una moneda se tira al aire 10 veces.
a) Cul es la probabilidad de que haya cantidades iguales de caras que de
cruces?
b) Cul es la probabilidad de que los tres primeros tiros salgan cara?
c) Cul es la probabilidad de que haya cantidades iguales de caras que de cruces

y adems de que los tres primeros tiros salgan cara?
d) Cul es la probabilidad de que haya igual cantidad de caras que de cruces o de

que los tres primeros tiros salgan cara o de ambas alternativas?
Ejercicio 1.71.Se tiran tres dados

a) Cul es la probabilidad de que ninguno de ellos caiga en 1?
b) Cul es la probabilidad de que al menos uno muestre el 1?
c) Cul es la probabilidad de que al menos uno caiga en 2?
d) Cul es la probabilidad de que ningn dado muestre el 1 o el 2?
e) Cul es la probabilidad de que al menos un dado caiga en 1 o al menos uno

caiga en 2 o de ambos casos, es decir que al menos uno caiga en 1 y al menos
uno caiga en 2?
f) Cul es la probabilidad de que al menos con un dado se obtenga un 1 y en

otro un 2?
Eventos independientes, dependientes y probabilidad condicional.
Sea A el evento en que un alumno pierde su transporte escolar. Sea B el evento en que
funciona mal el despertador del alumno. Ambos eventos tienen pocas probabilidades.
Pero Cul ser la probabilidad de que el alumno pierda su transporte dado que el
despertador funcion mal?. Ahora si es muy probable que el alumno pierda el camin!
Representaremos esta probabilidad como P(A/B), es la probabilidad de que suceda el
evento A dado que sucedi el evento B.
Definicin 1.72 (Probabilidad condicional) Sean A y B eventos, supongamos que

P(B)0. La probabilidad condicional P(A/B), que es la probabilidad de A dado B, es:
( )
P(A/B)= ( )
Ejemplo 1.73. Se tiran dos dados. Sean los eventos A y B definidos por
A: los nmeros de los dados suman 8
B: los dos nmeros de los dados son pares
En forma de conjuntos, lo anterior puede escribirse como sigue:
A={(2,6), (3,5), (4,4), (5,3), (6,2)}
B={(2,2), (2,4), (2,6), (4,2), (4,4), (4,6), (6,2), (6,4), (6,6)}
Con ello P(A)= P(B)= P(A/B)= )=
Note que si P(B)=0 la definicin no tendra sentido.
Ejercicio 1.74.Examinemos la flecha giratoria del ejemplo 1.37. Sea A el evento en que
gira y queda en 1, es decir, A={1}, y sea B el evento en que la flecha termina en las
regiones {1,3}. Cul es la probabilidad de que llegue al 1 dado que la flecha qued en
la regin {1,3}?
Ejercicio 1.75. Se lanza al aire una moneda cinco veces. Cul es la probabilidad de que
el primer volado haya cado una cruz, dado que cayeron tres caras?
Ejercicio 1.76. Suponga que de todos los individuos que compran una computadora
personal, 60% obtiene un programa procesador de palabras en su compra, 40% un
programa de hoja de clculo y 30% ambos programas. Se elige al azar un comprador y
sean A y B los eventos que siguen: A: obtiene procesador de palabras incluido; B:
obtiene hoja de clculo incluido. Calcular P(A/B) y P(B/A)
Ejercicio 1.77. Una revista de espectculos publica tres columnas tituladas arte (A),
libros (B) y cine (C). Los hbitos de lectura de un lector seleccionado al azar, con
respecto a estas columnas son:
A B C AB AC BC ABC
.14 .23 .37 .08 .09 .13 .05
Haga diagrama y calcule
a) P(A/B)=
b) P(A/BC=
c) P(A/ABC)=
d) P(AB/C)=
Definicin 1.78. Regla de multiplicacin para P(AB)

P(AB)=P(A/B) P(B)
Ejercicio 1.79. Cuatro individuos han respondido a una solicitud de un banco de

sangre. Ninguno de ellos ha donado sangre antes, por lo cual se desconocen sus tipos
de sangre. Supongamos que se desea el tipo A+ y slo uno de los cuatro lo tiene. Si los
donadores potenciales se seleccionan al azar para determinar su tipo sanguneo Cul
es la probabilidad de que se deba determinar el tipo de sangre en al menos tres
individuos para obtener el tipo deseado?
Definicin 1.80. La regla de multiplicacin para tres eventos es:

P(A1A2A3)=P(A3/A1A2)P(A1A2)=P(A3/A1A2)P(A2/A1) P(A1)
Donde A1 ocurre primero seguido de A2 y finalmente A3.
Cuando el experimento de inters est formado por una secuencia de varias etapas es
conveniente representarlas con un diagrama de rbol.
Ejemplo 1.81. Para el experimento del tipo sanguneo

1 es A+ 1 no es A+
2 es/1 no 2 no es /1 no es
3o es/1 no es y 2 no es 3 no es/1 no es y 2 no es
4 es/1 no es y 2 no es y 3 no es
Ejercicio 1.82. Una cadena de tiendas vende tres marcas diferentes de

videograbadoras (VCR). De sus ventas de VCR, 50% son de la marca 1 (la menos
costosa), 30% son de la marca 2 y 20% de la marca 3. Cada fabricante ofrece un ao de
garanta en partes y mano de obra, 25% de las VCR de la marca 1 requieren trabajo de
reparacin en garanta, mientras que los porcentajes correspondientes a las marcas 2 y
3 son 20% y 10% respectivamente.
a) Cul es la probabilidad de un comprador seleccionado al azar haya comprado

una VCR de la marca 1, que necesita reparacin mientras tiene garanta?
b) Cul es la probabilidad de un comprador seleccionado al azar haya comprado

una VCR que necesite reparacin mientras tiene garanta?
c) Si un cliente regresa a la tienda con una VCR que necesita reparacin dentro de
la garacta. Cul es la probabilidad de que sea una VCR de la marca 1?.Una
VCR de la marca 2? O Una de la marca 3?
Ejercicio de repaso.
Ejercicio 1.83. Sea (S,P) un espacio muestral con S={1, 2, 3, 4, 5} y P(1)=0.1, P(2)=0.1,
P(3)=0.2, P(4)=0.2, P(5)=0.4. A continuacin hay una lista de varios pares de eventos A
y B en cada caso calcule P(A/B)
a) A={1,2,3} y B={2,3,4}
b) A={2,3,4}, B={1,2,3}
c) A={1,5}, B={1,2,5}
d) A={1,2,5}, B={1,5}
e) A={1,2,3}, B={1,2,3}
f) A={1,2,3}, B={4,5}
g) A=, B={1,3,5}
h) A={1,3,5}, B=
i) A={1,2,3,4,5}, B={1,3}
j) A={1,3}, B={1,2,3,4,5}
Ejercicio 1.84. Se tira un par de dados. Cul es la probabilidad de que ninguno de ellos
caiga en 2, si la suma de sus resultados es 7?
Ejercicio 1.85. Se tira un par de dados. Cul es la probabilidad de que sus resultados
sumen 7, si ninguno cay en 2?
Ejercicio 1.86. Una moneda se arroja al aire 10 veces. Cul es la probabilidad de que
en las tres primeras se obtenga cara si se obtienen cantidades iguales de caras que de
cruces?. Cmo se compara esta probabilidad condicional con la probabilidad simple
de que los tres primeros volados salgan cara?
Definicin 1.87 Dos eventos A y B son independientes si P(A/B)=P(A) y son

dependientes en cualquier otro caso.
Ejemplo 1.88. Considere lanzar un dado no cargado de seis caras y defina los eventos:
A={2,4,6}, B={1,2,3} y C={1,2,3,4}. Entonces tenemos P(A)= , P(A/B)= P(A/C)= . Es
decir, los eventos A y B son dependientes, mientras que los eventos A y C son
independientes.
Ejercicio 1.89. Se tira al aire cinco veces una moneda. Cul es la probabilidad de que
la primera vez salga cara dado que el ltimo sali cara?
Proposicin. 1.90. Sean A y B eventos en un espacio muestral S y supongamos que P(A)

y P(B) son distintas de cero. Entonces las siguientes afirmaciones son equivalentes
a) P(A/B)=P(A)
b) P(B/A)=P(B)
c) P(AB)=P(A)P(B)
Es decir, a)b), b) c) y c) a),
demostracin
ab
Sup. P(A/B)=P(A)
pd P(B/A)=P(B)
( ) ( ) ( ) ( ) ( )
P(B/A)= = ( = =P(B)
( ) ( ) ( )
( )
Sup P(B/A)=P(B)
pd P(A/B)=P(A)
( ) ( ) ( ) ( ) ( )
P(A/B)= = ( = =P(A)
( ) ( ) ( )
( )
bc
Sup P(B/A)=P(B)
pd P(A ) ( ) ( )
( )
P(B/A)=P(B) =P(B) P(A ) ( ) ( )
( )
Sup P(A ) ( ) ( )
pd P(B/A)=P(B)
( ) ( )
P(B)= ( )
= ( ) =P(B/A)
ca
sup P(A ( ) ( )
pd P(A/B)=P(A)
( ) ( ) ( )
P(A/B)= ( )
= ( ) =P(A)
Sup P(A/B)=P(A)
pd P(A ) ( ) ( )
( )
P(A/B)=P(A) ( ) P(A ) ( ) ( )
( )
Ejemplo 1.91. Sean A y B eventos mutuamente excluyentes con P(A)>0. Por ejemplo,
para un automvil elegido al azar, sea A: el evento en que el automvil es de cuatro
cilindros, B: el evento en que el automvil es de seis cilindros. Como los eventos son
mutuamente excluyentes si ocurre B, entonces a posiblemente nunca ocurri, por lo
que P(A/B)=0P(A). El mensaje es que si dos eventos son mutuamente excluyentes, no
pueden ser independientes.
Proposicin 1.92. A y B son independientes si y slo si P(AB)=P(A)P(B)
Ejercicio 1.93. Una bolsa contiene veinte pelotas: diez de ellas son rojas y diez son
azules. De la bolsa se toman dos pelotas. Sea A el evento en que la primera pelota que
se saca es roja y sea B el evento en que la segunda pelota que se saca es roja. Son
independientes estos eventos?.
Hay dos posibilidades
a) Con reemplazo.
b) Sin reemplazo.
Ejercicio 1.94. Se saben que el 30% de las lavadoras de cierta compaa requieren
servicio cuando todava estn en garanta, mientras que slo el 10% de las secadoras
necesitan ese servicio. Si alguien compra una lavadora y una secadora fabricada por
esa compaa. Cul es la probabilidad de que ambas mquinas necesiten servicio
dentro de la garanta?
Ejercicio 1.95. Cada da de lunes a viernes, un lote de componentes enviados por un

primer proveedor llega a cierta instalacin de inspeccin. Dos das a la semana
tambin llega un lote de un segundo proveedor, 80% de todos los lotes del proveedor
1 pasan la inspeccin, y el 90% de los del proveedor 2 hacen lo mismo. Cul es la
probabilidad de que, en un da seleccionado al azar, pasen la inspeccin los dos lotes?.
Supngase que cuando se prueben los dos lotes si pasa o no pasa el primero es
independiente de si pasa o no pasa el segundo.
Definicin 1.96. Los eventos A1, A2, An son mutuamente independientes para toda k
(k=2,3,n) y todo subconjunto de ndices i1, i2,,ik si
P(Ai1A i2Aik)= P(Ai1)P(A i2)P(Aik).
Ejercicio 1.97. Se saca una carta de un mazo normal de 52 cartas, bien barajeado.
a) Cul es la probabilidad de que sea una espada?
b) Cul es la probabilidad de que sea un rey?
c) Cul es la probabilidad de que sea un rey de espadas?
d) Los eventos de las partes a) y b) son independientes?
Ejercicio 1.98. Se toman sucesivamente dos cartas, sin reponer, de un mazo normal de
52 cartas bien barajeado. Sea A el evento en que las dos cartas tomadas tienen el
mismo valor, por ejemplo, que las dos sean cuatro, y se B el evento en que la primera
carta tomada es un as. Son independientes esos eventos?
Ejercicio 1.99. Se toman sucesivamente dos cartas, sin reponer, de un mazo normal de
52 cartas bien barajeado. Sea A el evento en que las dos cartas tomadas tienen el
mismo valor, por ejemplo, que las dos sean cuatro, y se B el evento en que las dos
cartas son del mismo palo, como por ejemplo, ambas diamantes. Son independientes
esos eventos?
Ejercicios de repaso.
Ejercicio 1.100. Suponga que P(A/B)=0.4 y P(B)=0.5. Calcule lo siguiente:

a) P(AB)=
b) P(AB)
Ejercicio 1.101. Suponga que P(A/B)=0.2, P(A/B)=0.3 y P(B)=.8 Cul es el valor de

P(A)?
Ejercicio 1.102. Suponga que P(A/B)=.8, P(A)=.5 y P(B)=.2 calcule P(B/A).
Ejercicio 1.103.Se toman sucesivamente dos cartas sin reponer de un mazo normal de
52 cartas bien barajeado. Sea A el evento en que la primera carta que se toma sea un
trbol y B que la segunda carta tambin sea un trbol. Son independientes esos
eventos?
Ejercicio 1.104. Penlope la pesimista y Sandra la optimista son dos de las finalistas en
un concurso. De las 10 finalistas se elegir una al azar para recibir el gran premio; las
10 finalistas tienen igual probabilidad de ganarlo, justa antes de otorgar el gran
premio, un juez dice a ocho de ellas que no ganaron el premio mayor y slo quedan
Penlope y Sandra. Penlope piensa aun antes de que el juez eliminara a ocho
concursantes lo saba que al menos ocho de las dems deberan perder. Pero eso no
me dice nada mis probabilidades de ganar siguen siendo el 10%. Que mala suerte!.
Sandra piensa ahora que han eliminado a esas ocho slo quedaron 2 en el concurso.
Por consiguiente tengo el 50% de probabilidades de ganar. Qu suerte tan buena!
Cul es el anlisis correcto?
Ejercicio 1.105. Suponga que el 2% de los rollos de tela de algodn son defectuosos,
al igual que el 3% de los rollos de tela de nylon. De los rollos utilizados por el fabricante
el 70% son de algodn y 30% son de nylon. Cul es la probabilidad de que al
seleccionar al azar uno de los rollos este sea defectuoso
Ejercicio 1.106. La irregularidad del corte de productos de papel aumenta a medida
que las hojas de la cuchilla se desgastan. Slo el 1% de productos cortados con
cuchillas nuevas tienen cortes irregulares, el 3% de los cortados con cuchillas de filo
promedio exhiben irregularidades y el 5% de los cortados con cuchillas desgastadas
presentan irregularidades. <si el 25% de las cuchillas utilizadas en el proceso de cortes,
son nuevas, el 60% tienen un filo promedio y el 15% de las cuchillas estn desgastadas.
Cul es la proporcin de productos que tendrn cortes irregulares?
Ejercicio 1.107. Un lote de 25 partes moldeadas por inyeccin contiene cinco que
sufrieron una merma considerable.
a) Si se escogen dos partes al azar, sin reemplazo. Cul es la probabilidad de que
la segunda parte seleccionada sea de las que experimentaron una merma
considerable?
b) Si se toman tres partes al azar sin reemplazo. Cul es la probabilidad de que la

tercera parte sean de las que experimentan una merma considerable?.
Frmula de Bayes.
Definicin 1.108. Ley de probabilidad total. Si A1, A2, , Ak son eventos mutuamente
excluyentes, entonces para cualquier otro evento B.
P(B)=P(B/A1)P(A1)+ P(B/A2)P(A2)+. P(B/Ak)P(Ak).= ( ) ( )
Definicin 1.109. Teorema de Bayes. Sean A1, A2, , Ak un conjunto de k eventos

mutuamente excluyentes con P(Ai)>0 para i=1,,k. Entonces para cualquier otro
evento B para el que P(B)>0.
( ( ) ( )
P(Aj/B)= )= ( ) ( )
j=1,,k
( )
La transicin de la segunda a la tercera expresin se apoya en el uso de la regla de la
multiplicacin en el numerador y la ley de probabilidad total en el denominador.
Ejercicio 1.110. Incidencia de una enfermedad rara. Slo 1 de 1000 adultos est
afectado por una rara enfermedad, para la cual se ha desarrollado una prueba de
diagnostico. Durante la prueba, cuando un individuo padece la enfermedad,
presentar un resultado positivo 99% de las veces, mientras que un individuo sin la
enfermedad mostrar un resultado de prueba positivo slo en 2% de las veces. Si se
hace una prueba en un individuo seleccionado al azar y el resultado es positivo. Cul
es la probabilidad de que el individuo tenga la enfermedad?.
Ejercicio 1.111.Se envan componentes de un cierto tipo a un proveedor en lotes de

diez. Suponga que 50% de estos lotes no tienen componentes defectuosos, 30% un
componente defectuoso y 20% dos componentes defectuosos. Dos componentes de
un lote se seleccionan al azar y se prueban. Cules son las propiedades asociadas de
que haya 0, 1 y 2 componentes defectuosos en un lote, bajo cada una de las siguientes
condiciones?
a) Ningn componente probado esta defectuoso.
b) Uno de los dos componentes probados es defectuoso (sugerencia dibuje un
diagrama de rbol con tres ramas de primera generacin para los tres tipos
diferentes de lotes) .
Ejercicio 1.112. Suponga que P(A/B)=0.8, P(A)=0.5 y P(B)=0.2. Calcule P(B/A).
Ejercicio 1.113. Los lseres de semiconductor utilizados en los productos para

almacenamiento ptico requieren niveles de potencia mucho mayor para las
operaciones de escritura que para las de lectura. Entre ms grande es el nivel de
potencia menor es la duracin del laser. Los lseres utilizados en productos para el
respaldo de discos magnticos de alta velocidad se utilizan principalmente para
escribir, y la probabilidad de que su vida til sea mayor que cinco aos es 0.95. Los
lseres que se emplean en productos para almacenamiento, invierten
aproximadamente el mismo tiempo en operaciones de lectura y escritura, y la
probabilidad de que la vida til de stos sea mayor que cinco aos es 0.995. El 25%
de los productos de cierto fabricante se utilizan para operaciones de respaldo,
mientras que el 75% restante se emplea para almacenamiento.
Sea A: el evento donde la vida til de lser es mayor que cinco aos
B: el evento donde el producto que emplea el lser se utiliza para respaldar
informacin.
B: el evento donde el producto se utiliza para lectura/escritura
(almacenamiento)
a) Obtenga P(B)= P(B)= P(A/B)= P(A/B)=

P(AB)=
P(AB)=
P(A)=
b) Cul es la probabilidad de que la vida til del lser sea mayor que cinco aos?
c) Cul es la probabilidad de que el lser que falla antes de cinco aos provenga
de un producto que se emplea para respaldar informacin?
Ejemplo 1.114. Una placa de metal tiene 20 tornillos. Suponga que cinco de ellos no
estn bien apretados. Se escogen cuatro de ellos, al azar y sin reemplazo, para
determinar si estn bien apretados.
a) Cul es la probabilidad de que los cuatro tornillos estn bien apretados?
b) Cul es la probabilidad de que al menos uno de ellos no estn bien apretados?
Ejemplo 1.115. Una mquina robtica de insercin contiene 10 componentes

primarios. La probabilidad de que cualquier componente falle durante el periodo de
garanta es 0.01. Suponga que los componentes fallan de manera independiente y que
la mquina falla cuando alguno de sus componentes falla. Cul es la probabilidad de
que la mquina falle durante el periodo de garanta?.
Ejemplo 1.116. Un lote de 50 arandelas espaciadoras contiene 30 que son ms gruesas
que la dimensin requerida. Suponga que del lote se escogen tres arandelas al azar, sin
reemplazo.
a) Cul es la probabilidad de que las tres arandelas sean ms gruesas que la
dimensin requerida?
b) Cul es la probabilidad de que la tercera arandela sea ms gruesa de lo

necesario si las dos primeras son ms delgadas que la dimensin requerida?
c) Cul es la probabilidad de que la tercera arandela sea ms gruesa que la

dimensin requerida?
d) Se escogen arandelas de un lote al azar y sin reemplazo. cul es el mnimo

nmero de arandelas que es necesario tomar del lote, para que la probabilidad
de que todas ellas sean ms delgadas que la dimensin requerida sea menor
que 0.10?
e) Cul es el nmero mnimo de arandelas que es necesario tomar del lote, para
que la probabilidad de que una o ms de ellas sea ms gruesas que la
dimensin requerida sea al menos 0.90?
Ejercicios de repaso
Ejercicio 1.117. El software para detectar fraudes en tarjetas telefnicas utilizadas por
los consumidores registran todos los das el nmero de reas metropolitanas donde se
originan todas las llamadas. Se tiene que el 1% de los usuarios legtimos hacen al da
llamadas que se originan en dos o ms reas metropolitanas. Sin embargo el 30% de
los usuarios fraudulentos hacen al da llamadas desde dos o ms reas metropolitanas.
La proporcin de usuarios fraudulentos es 0.01%. Si el mismo usuario hace en un da
dos o ms llamadas desde dos o ms reas metropolitanas. Cul es la probabilidad
que sea un usuario fraudulento?.
Ejercicio 1.118. Los clientes se encargan de evaluar los diseos preliminares de varios
productos. En el pasado, el 95% de los productos que con mayor xito en el mercado
recibieron buenas evaluaciones, el 60% de los productos con xito moderado
recibieron buenas evaluaciones y el 10% de los productos de escaso xito recibieron
buenas evaluaciones. Adems el 40% de los productos han tenido mucho xito y el
35% un xito moderado y el 25% una baja aceptacin.
a) Cul es la probabilidad de que un producto obtenga una buena evaluacin?
b) Si un nuevo diseo obtiene una buena evaluacin Cul es la probabilidad de

que se convierta en un producto de gran xito?
c) Si un producto no obtiene una buena evaluacin Cul es la probabilidad de
a) Cul es la probabilidad de tener un error en la lectura?
b) Si se presenta un error en la lectura. Cul es la probabilidad de que se deba a

una alineacin oblicua?
Ejercicio 1.119. La probabilidad de que la orden no se enve a tiempo es 0.05. Un
cliente realiza tres pedidos pero el tiempo que hay entre ellos es tan grande que
pueden considerarse como eventos independientes.
a) Cul es la probabilidad de que todos los pedidos se enven a tiempo?
b) Cul es la probabilidad de que exactamente uno de ellos no se enve a
tiempo?
c) Cul es la probabilidad de que dos o ms pedidos no se enven a tiempo?
Ejercicio 1.120 En una operacin de llenado automtico, la probabilidad de que el

volumen de llenado sea incorrecto es 0.001 cuando el proceso se realiza a baja
velocidad. Cuando el proceso se efecta a alta velocidad, la probabilidad de un llenado
incorrecto es 0.01. Suponga que el 30% de los contenedores se llena cuando el proceso
se efecta a alta velocidad, mientras que el resto se lleva a cabo a baja velocidad.
a) Cul es la probabilidad de encontrar un contenedor lleno con un volumen
incorrecto?
b) Si se encuentra un contenedor lleno con un volumen incorrecto, Cul es la

probabilidad de que haya sido llenado cuando el proceso se realizaba a alta
velocidad?
Ejercicio 1.121. Una mquina herramienta est desocupada durante el 15% del tiempo
total de uso. Usted le pide al operador que haga uso de la herramienta en cinco
ocasiones distintas durante el ao. Suponga que las solicitudes de uso son eventos
independientes.
a) Cul es la probabilidad de que la herramienta est desocupada todas las veces
que usted le pide al operador utilizarla?
b) Cul es la probabilidad de que la herramienta est desocupada exactamente

cuatro de las cinco veces en que usted le pide al operador utilizarla?
c) Cul es la probabilidad de que la herramienta est desocupada al menos tres

de las cinco veces en que usted le pide al operador utilizarla?
Ejercicio 1.122. La alineacin entre la cinta magntica y la cabeza de un sistema de

almacenamiento en cinta magntica, afecta al desempeo del sistema. Suponga que el
10% de las operaciones de lectura se ven atenuadas por la alimentacin oblicua, el 5%
de ellas son atenuadas por una alineacin descentrada, y que las dems operaciones
de lectura se realizan de manera correcta. La probabilidad de un error en la lectura por
una alineacin oblicua es 0.01, por una alineacin descentrada 0.02 y 0.001 por una
alineacin correcta.
d) Si un producto no obtiene una buena evaluacin Cul es la probabilidad de
Variable aleatoria
En muchos de los ejemplos de experimentos aleatorios considerados hasta el

momento, el espacio muestral slo es una descripcin de los posibles resultados, en
algunos casos las descripciones de los resultados son suficientes, pero en otros es til
asociar un nmero con cada resultado del espacio muestral. Ya que el resultado de un
experimento no se conoce con anticipacin, sucede lo mismo con el valor de la
variable. Por esta razn la variable que asocia un nmero con el resultado de un
experimento aleatorio se conoce como variable aleatoria.
Definicin. 2.1. Una variable aleatoria (va) es una funcin que asigna un nmero real a
cada resultado en el espacio muestral de un experimento aleatorio.
Las va se denotan con una letra mayscula tal como X, y con una letra minscula el
valor posible de X. El conjunto de los posibles valores de la va X recibe el nombre de
rango de X.
Ejemplo 2.2. El sistema de comunicacin por voz de una empresa tiene 48 lneas
externas. En un determinado momento, se observa el sistema y algunas lneas estn
ocupadas. Sea X la va que denota el nmero de lneas en uso.
X={0,148}
Ejemplo 2.3. Se evala un nuevo proceso para la fabricacin de partes moldeadas en

plstico en trminos de la coloracin y la reduccin del tamao. Una de las primeras
corridas del proceso proporciona la informacin para el uso muestral y las
probabilidades que aparecen en la siguiente tabla.
Tabla Caractersticas del plstico moldeado
Coloracin Reduccin del tamao probabilidad X
-------------------------------------------------------------------------------------------------------------------------------------------
aprobado aprobado .64 2

aprobado inaceptable .16 1
inaceptable aprobado .16 1
inaceptable inaceptable .04 0
Supngase que el inters recae en resumir los resultados de este experimento

aleatorio con el nmero de caractersticas (de coloracin y reduccin del tamao) que
son aprobadas. Por lo cual se define una va X, para ser igual al nmero de
caractersticas aprobadas.
Ejemplo 2.4 El anlisis de una muestra de aire puede resumirse en trminos de un

nmero de variables y descripciones. Un resumen particular es el conteo de molculas
raras presentes en la muestra. Sea X la va que denota el nmero de molculas raras en
la muestra. As X={0,1,}
Ejemplo 2.5. Lanzar una moneda 10 veces. Sea X= el nmero de caras obtenidas.
X={1, 2,,10}
Ejemplo 2.6. Una mquina herramienta desgastada produce 1% de partes defectuosas.
Sea X=nmero de partes defectuosas en las siguientes 25 que se produzcan. As,
X={0,1..25}
Ejemplo 2.7. De todos los bits transmitidos por un canal de transmisin digital, el 10%
se reciben con error. Sea X=nmero de bits con error en los siguientes cinco por
transmitir. As X={0,1..5}
Ejemplo 2.8. Se sacan dos pelotas en sucesin, sin reemplazo, de una urna que
contiene 4 pelotas rojas y 3 negras. Sea X el nmero de pelotas rojas. Los resultados
posibles son
Espacio muestral X
RR 2
BB 0
RB 1
BR 1
La notacin X(s)=x indica que x es el valor asociado al resultado s por la va X.
Ejemplo 2.9. Cuando un estudiante intenta utilizar una computadora conectada a un

sistema de tiempo compartido, todos los puertos podran estar ocupados (F), en cuyo
caso el estudiante no tendra acceso, o habra por lo menos un puerto libre (L), en cuyo
caso el estudiante tendra acceso al sistema. Con S={F,L}, definimos una va X mediante
X(L)=1, X(F)=0
La va X indica que el estudiante puede (1) o no puede (0) tener acceso.
Ejemplo 2.10. Considrese el experimento donde se marca el nmero telefnico de

cierta clave de un rea por medio de un marcador de nmeros aleatorios (estos son
utilizados por organizaciones encuestadoras) y defnase una va X mediante
1 si el nmero seleccionado no est en el directorio
X=
0 si el nmero seleccionado est en el directorio
Por ejemplo si 2338798 aparece en el directorio entonces X(2338798)=0
En los siguientes ejercicios determine los rangos de la va
Ejercicio 2.11. La va es el nmero de conexiones soldadas, de las 1000 que tiene el

circuito impreso, que no cumplen con ciertos estndares de calidad
Ejercicio 2.12. En un sistema de comunicacin por voz con 50 lneas, la va es el nmero
de lneas ocupadas en un momento particular.
Ejercicio 2.13.Se utiliza un instrumento electrnico para medir pesos de empaques,

hasta la libra ms cercana. Un instrumento de medicin slo tiene cinco dgitos.
Cualquier peso mayor del que puede mostrarse aparece como 99999. La variable
aleatoria es el peso que aparece en el instrumento
Ejercicio 2.14. Un lote de 500 partes maquinadas contiene 10 que no se ajustan a los
requerimientos del cliente. La va es el nmero de partes en una muestra de cinco que
no cumplen con los requerimientos del cliente.
Ejercicio 2.15. Un lote de 500 partes maquinadas contiene 10 que no se ajustan a los
requerimientos del cliente. Del lote se van tomando partes, sin reemplazo, hasta que
se obtiene una que no cumple con los requerimientos. La va es el nmero de partes
seleccionadas.
Ejercicio 2.16. La va es el contenido de humedad de un lote de materia prima medido

hasta el porcentaje entero ms cercano.
Ejercicio 2.17. La va es el nmero de problemas en la superficie de una bobina grande

de acero galvanizado.
Ejercicio 2.18. La va es el nmero de ciclos de reloj de una computadora necesaria para

finalizar un determinado clculo aritmtico.
Ejercicio 2.19. En la orden de pedido de un automvil puede seleccionarse el modelo o

aadir cualquier nmero de opciones hasta 15. La va es el nmero de opciones
seleccionadas en un pedido
Ejercicio 2.20. Un entablado de madera puede pedirse de 1/8, , o 3/8 de pulgada. La

va es el espesor total del entablado de dos pedidos.
Ejercicio 2.21. Considere un experimento donde un individuo llamado Claudio est

ubicado en el punto 0 del siguiente diagrama.
A2 B2 A3
B1 0 B3
A1 B4 A4
Por medio de un aparato de aleatorizacin (como un dado tetradrico) Claudio se

mueve primero a uno de los cuatro lugares B1, B2, B3, B4. Cuando est en uno de estos
se utiliza otro aparato de aleatorizacin para determinar si Claudio regresa a 0 visita
uno de los otros dos puntos adyacentes.
El experimento continua de este modo, despus de cada movimiento se determina
otro movimiento a uno de los (nuevos) puntos adyacentes al lanzar un dado o una
moneda adecuados.
a) Sea X=nmero de movimientos que realiza Claudio antes de regresar a 0.

Cules son los valores posibles de X?
b) Si tambin se permiten movimientos a lo largo de trayectorias diagonales que

enlacen 0 a A1, A2 A3, A4 respectivamente, conteste la pregunta del inciso a)
Distribucin de probabilidad (discretas y continuas)
Definicin 2.22. Una va discreta es una va con un rango finito (o infinito contable), en
cambio si es infinito igual al nmero de puntos en un segmento de lnea, entonces se
llama va continua.
Para estudiar propiedades bsicas de va discretas slo se requieren herramientas de

matemticas discretas. El estudio de variables continuas requiere matemticas
continuas del clculo (integrales y derivadas)
Distribucin de probabilidad de una va discreta
Con mucha frecuencia es conveniente representar con una frmula todas las
probabilidades de una va X, denotemos a dicha frmula con f(x)=P(X=x). Al conjunto de
pares ordenados (x,f(x)) se le llama funcin de probabilidad de masa (pmf) o
distribucin de probabilidades de la va X, es decir, nos dice como la probabilidad total
de una est distribuida entre todos los valores posibles de X.
Ejemplo 2.23. Seis lotes de componentes estn listos para ser enviados a cierto
proveedor. El nmero de componentes defectuosos de cada lote es:
Lote 1 2 3 4 5 6
Nmero de componentes defectuosos 0 2 0 1 2 0
Uno de los lotes ser seleccionado al azar para enviarse a un cliente en particular. Sea
X el nmero de componentes defectuosos del lote seleccionado. Los tres posibles
valores de X son: 0, 1 y 2. De los seis eventos simples igualmente probables, tres
resultan X=0, uno en X=1, y los otros dos en X=2.Sea f(0) la probabilidad de que X=0 y
f(1) y f(2) las probabilidades de los otros dos valores posibles de X. Entonces,
f(0)=P(X=0)=P(se enva el lote 1, 3, 6)= =.5

f(1)=P(X=1)=P(se enva el lote 4)= =.167
f(2)=P(X=2)=P(se enva el lote 2 5)= =.333
Ejemplo 2.24. Considrese una vez ms el ejemplo de las molculas de aire. Sea X una
va que denota el nmero de muestras de aire que es necesario analizar para detectar
una molcula rara. Supngase que la probabilidad de que una muestra de aire
contenga una molcula rara es 0.01 y que las muestras son independientes.
Determnese la funcin de probabilidad de X
Sea p: una muestra donde est presente la molcula rara

a: una muestra donde la molcula rara est ausente
S={p, ap, aap, .}
Consideremos unos casos. P(X=1)=P(p)=0.01
Si se emplea la hiptesis de independencia
P(X=2)=P(ap)=0.99x.01=.0099
Una frmula general es
P(X=x)=P(aaaa.p)=.99x-1x.01, para 1,2,3.
Para la va X, f(x) satisface las propiedades siguientes

1) f(x)=P(X=x)
2) f(x) para toda x
3) ( )
Ejercicio 2.25.Un empaque de 8 microcomputadoras similares que se envan a un

distribuidor contiene 3 aparatos defectuosos. Si una escuela realiza una compra
aleatoria de 2 de estas computadoras, encuentre la distribucin de probabilidad para
el nmero de computadoras defectuosas.
Ejercicio 2.26. Supongamos que en una librera de la universidad, durante la primera

semana de clases, la siguiente persona que compra una computadora la elige porttil o
de escritorio. Sea
X= 1 si el cliente compra una computadora laptop
0 si el cliente compra una computadora de escritorio
Si el 20% de todos los compradores durante esa semana seleccionan una laptop,
calcule la pmf
Hay muchos problemas en los cuales se desea calcular la probabilidad de que el valor
observado de una va X sea menor o igual a algn nmero real.
Ejemplo 2.27. Supngase que en el ejemplo de la molcula el inters recae en la

probabilidad de encontrar una molcula rara en tres muestras o menos. Esta pregunta
puede expresarse como P(X3).
P(X3)=P(X=1)+P(X=2)+P(X=3)=0.01+0.99x0.01+0.992x0.01=0.0297
Para este ejemplo una formula general es
P(Xx)=1-0.99x.
Esta expresin tambin puede utilizarse para determinar
P(X=14)=P(X14)-P(X13)=(1-0.9914)-(1-0.9913)=0.9913(0.01)
Ejercicio 2.28.El espacio muestral de un experimento aleatorio es {a, b, c, d, e, f} y cada

resultado es igualmente probable. Se define una va de la siguiente manera:
Resultado a b c d e f
X 0 0 1.5 1.5 2 3
Determine la funcin de probabilidad de X.
Ejercicio 2.29. Del ejercicio anterior determine las siguientes probabilidades

a) P(X=1.5)=
b) P(0.5<X<2.7)=
c) P(X>3)=
d) P(0X<2)=
Ejercicio 2.30. Un operador registra el tiempo (redondeado al segundo ms cercano)
requerido para terminar un ensamble mecnico. Los resultados que obtiene son los
siguientes:
Segundos 30 31 32 33 34 35 36 37 38 39
Nmero de ensambles 3 5 6 9 12 25 32 15 9 6
Sea X= el tiempo necesario para terminar un ensamble

a) Determine la funcin de probabilidad de X
b) Determine P(33X<38)=
c) Qu proporcin de los ensambles se terminan de armar en 35 segundos

menos?
Verifique que las funciones siguientes son funciones de probabilidad y calcule las
probabilidades pedidas.
Ejercicio 2.31. x -2 -1 0 1 2
f(x) 1/8 2/8 2/8 2/8 1/8
a) P(X2)=
b) P(X>-2)=
c) P(-1X1)=
d) P(X-1 X=2)=
Ejercicio 2.32. f(x)= ( ) , x=1,2,3

a) P(X1)=
b) P(X>1)=
Ejercicio 2.33. f(x)= ( ) , x=0,1,2,.

a) P(X=2)=
b) P(X2)=
c) P(X>2)=
d) P(X1)=
Ejercicio 2.34. Una persona pide prestado un llavero con cinco llaves, y no sabe cul es
la que abre un candado. Por tanto intenta con cada llave hasta que consigue abrirlo.
Sea la va X el nmero de intentos necesarios para abrir el candado. Determine la
funcin de probabilidad de X.
P(X=1)= P(X=2)= P(X=3)=
P(X=4)= P(X=5)=
a) Cul es el valor de P(X1)?=
b) Cul es el valor de P(X=5)?=
c) Cul es el valor de P(X3)?=
Ejercicio 2.35. Un grupo de partes moldeadas se clasifican de acuerdo con su longitud

de la siguiente manera:
Longitud redondeada 4.9 5.0 5.1 5.2 5.3 5.4 5.5 5.6
A la dcima de milmetro
Ms cercana
Nmero de partes 0 3 10 25 40 18 16 2
a) Si la va es la longitud (redondeada a la dcima de milmetro ms cercana) de
una parte moldeada seleccionada al azar, determine la funcin de probabilidad
de x
b) Cul es el valor de P(X5.1)?=
c) Cul es el valor de P(4.95<X<5.35)?=
Ejercicio 2.36. Un estudio de mercadotecnia estima que un nuevo instrumento para el

anlisis de muestras de suelo tendr mucho, poco o ningn xito con probabilidades
0.3, 0.6 y 0.1 respectivamente. Las ganancias anuales asociadas con un producto muy
exitoso, poco exitoso o no exitoso son 10 millones, 5 millones y 1 milln de dlares
respectivamente. Defnase la va como la ganancia anual del producto. Determine la
funcin de probabilidad de X.
Ejercicio 2.37. Del ejercicio anterior. Suponga que el inters se centra en las ganancias
de tres aos. Determine el rango de cada una de las siguientes variables aleatorias.
a) Total de tres aos de ganancias en millones de dlares.
b) Promedio de 3 aos de ganancias en millones de dlares
c) Mximo de tres aos de ganancias
d) Diferencia entre las ganancias anuales ms grandes y la ms pequea.
Ejercicio 2.38. En el ejemplo de la muestra de aire de la molcula rara, suponga que la

probabilidad de que una muestra de aire contenga una molcula rara es 0.001. Calcule
la probabilidad de que X=3
Ejercicio 2.39. Un sistema de inspeccin ptima es capaz de distinguir cuatro partes

distintas. La probabilidad de clasificar de manera correcta cualquier parte es 0.98.
Suponga que se inspeccionan tres partes y que la clasificacin de stas es
independiente. Sea la va X el nmero de partes clasificadas correctamente. Determine
la funcin de probabilidad de X.
X 0 1 2 3
f(x) .000008 .001176 .057624 .941192
Definicin 2.40. La funcin de distribucin acumulada (cdf) F(X) de una va discreta con
pmf f(x) est definida para todo nmero x mediante
F(x)=P(Xx)= ( )
Para cualquier nmero x, F(x) es la probabilidad de que el valor observado de X sea a lo
sumo x.
Ejemplo 2.41. Supngase que la funcin de distribucin acumulada de la va X es
0 x<-2
F(x)= 0.2 -2x<0
.7 0x<2
1 2x
Determine la funcin de probabilidad de X
Observemos que los nicos puntos que tienen una probabilidad distinta de cero son -2,
0 y 2. Ya que P(Xx)=0 para cualquier valor de x menor que -2,
f(-2)=0.2. De manera similar

f(0)=0.7-0.2=0.5 y
f(2)=1.0-0.7=0.3
Ejercicio 2.42. La produccin diaria de 850 partes contiene 50 que no satisfacen los
requerimientos del cliente. Del lote se eligen al azar dos partes, sin reemplazo. Sea la
va X el nmero de partes de la muestra que no cumplen con los requerimientos. Cul
es la funcin de distribucin acumulada de X?
Ejemplo 2.43. Podemos obtener la pmf a partir de la cdf. Supongamos que X

representa el nmero de componentes defectuosos en un embarque formado de seis
componentes, de modo que los valores posibles de x son 0, 1, ,6. Entonces
f(3)=P(X=3)=(f(0)+f(1)+f(2)+f(3))-(f(0)+f(1)+f(2))=P(X3)-P(X2)=F(3)-F(2)
Proposicin 2.44. Para cualesquiera dos nmeros a y b con ab

P(aXb)=F(b)-F(a-)
Donde a- representa el valor mximo posible de X que sea estrictamente menor
que a.
En particular si a=b entonces (P(aXb)=F(b)-F(a-1)
Ejercicio 2.45. Sea X=nmero de das de ausencia por enfermedad requeridos por un
empleado seleccionado al azar en una gran empresa durante un ao en particular. Si el
nmero mximo de ausencias permisibles por enfermedad es 14, los valores posibles
de X son 0, 1, ,14. Con F(0)=.58, F(1)=.72, F(2)=-76, F(3)=.81, F(4)=.88 y F(5)=.94.
Obtenga
a) P(2X5)=
b) P(X=3)=
Ejercicio 2.46. Determine la funcin de distribucin acumulada para la va del ejercicio

2.28.
2.30.
Tambin calcule las siguientes probabilidades
a) P(X<32.5)=
b) P(X32)=
c) P(X>32)=
d) P(33<X38)=

2.31

2.32
2.35.
As mismo calcule las probabilidades siguientes
a) P(X5.25)=
b) P(X5.2)=
c) P(5.1<X5.5)=
d) P(X>4.9)=
Ejercicio 2.51. Calcule la funcin de probabilidad y las probabilidades pedidas.

0 si x<1
F(x)= 0.5 si 1x<3
1 si 3x
a) P(X3)=
b) P(X2)=
c) P(1X2)=
d) P(X>2)=
Ejercicio 2.52
0 x<-0.1
0.25 -0.1 X<0.3
F(X)= 0.75 0.3 X <0.5
1 0.5X
a) P(X0.5)=
b) P(X0.4)=
c) P(0.4X0.6)=
d) P(X<0)=
e) P(0X<0.1)=
f) P(-0.1<X<0.1)=
Ejercicio 2.53. El espesor de un entablado de madera (en pulgadas) que algn cliente
ordena, es una va que tiene la siguiente funcin de distribucin acumulada.
0 x<1/8
F(X)= 0.2 1/8x<1/4
0.9 1/4x<3/8
1 3/8x
Determine las siguientes probabilidades
a) P(X1/8)=
b) P(X1/4)=
c) P(X5/16)=
d) P(X>1/4)=
e) P(X1/2)=
Valor esperado y varianza de una variable aleatoria
Si X es una va y el experimento aleatorio que determina el valor de X se repite

muchas veces, entonces se obtiene una secuencia de valores para X. Puede emplearse
un resumen de estos valores, tal como el promedio (media) para identificar el valor
central de la va.
La funcin de probabilidad de X puede interpretarse como la proporcin de ensayos en

los que X=x. En consecuencia no es necesario realizar el experimento muchas veces
con la finalidad de determinar el valor medio de X. La media de X puede calcularse
como el promedio ponderado de los valores posibles de X, asignando al resultado x un
factor de ponderacin f(x)=P(X=x)
Definicin 2.54 La media o valor esperado de una va discreta X, denotada por x o

E(X), es
x=E(X)= ( ) donde la va X tiene un conjunto de posibles valores D.
Ejemplo 2.55.Considerese la siguiente distribucin de una va X
X 10 11 12 13 14 15 16 17 18
f(x) 0.3 0.05 0.05 0.15 0.1 0.1 0 0.05 0.2
E(X)=13.45
Ejercicio 2.56 Poco despus de nacer un nio es clasificado de acuerdo con la escala
apgar. Las posibles clasificaciones son 0, 1, ,10 de acuerdo con el color, tono
muscular, esfuerzo respiratorio, ritmo cardiaco e irritabilidad de reflejos (la mejor
clasificacin posible es 10). Sea X la calificacin apgar de un recin nacido escogido al
azar, en cierto hospital durante el ao siguiente, y supongamos que pmf de X es
X 0 1 2 3 4 5 6 7 8 9 10
f(x) .002 .001 .002 .005 .02 .04 .18 .37 .25 .12 .01
Calcule su media.
Ejemplo 2.57. Se supone que la cobertura de una prueba en un proceso de

verificacin de un semiconductor tiene una eficacia del 80%. Esto es, la probabilidad de
que un chip defectuoso no pase la prueba es 0.8. Se someten a prueba tres chips.
Supngase que la falla de cada chip defectuoso es independiente de las que aparezcan
en otras pruebas. Sea la va X el nmero de chipas defectuosos que no pasan la prueba.
Cul es el valor esperado de X?
Para hallar E(X) primero es necesario encontrar la funcin de probabilidad de X.

Ejemplo, P(pff)=0.2x0.8x0.8=0.12
Resultados X probabilidad
fff 3 .512 .
ffp 2 0.128
fpf 2 0.128
fpp 1 0.032
pff 2 0.128
pfp 1 0.032
ppf 1 0.032
ppp 0 0.008
la funcin de probabilidad de X se encuentra a partir de estos resultados

X 0 1 2 3
f(x) 0.008 0.096 0.384 0.512
por tanto E(X)=0x0.008+1x0.096+2x0.384+3x0.512=2.4
Ejemplo 2.58. Se compara el diseo de dos nuevos productos sobre la base de las
ganancias esperadas para cada uno de ellos. El departamento de mercadotecnia
considera que las ganancias del diseo A puede estimarse con bastante exactitud, en
tres millones de dlares. Las ganancias del diseo B sea de siete millones de dlares,
pero existe una probabilidad 0.7 de que sta sea slo de dos millones. Qu diseo es
el que debe preferirse?
X la ganancia del diseo A. Ya que no hay ninguna incertidumbre sobre sta
entonces puede modelarse la distribucin la distribucin de la va X como tres millones
con probabilidad 1. Por consiguiente E(X)=3 millones.
Y la ganancia del diseo B. El valor esperado de Y en millones de dlares es
E(Y)=7x0.3+2x0.7=3.5
Dado que E(Y) es mayor que E(X) debe preferirse el diseo B. Sin embargo la
variabilidad del resultado del diseo B es mucho mayor y la probabilidad de que A
genera ms ganancias es 0.7. Con este argumento, quiz otras personas prefieran el
diseo A.
Valor esperado de una funcin
Con frecuencia nos interesa el valor esperado de una funcin h(X) y no la X misma.
Suponga que una librera compra diez ejemplares de un libro a $6.00 cada uno, para
venderlos a $12.00, entendiendo que al terminar un periodo de 3 meses, cualquier
ejemplar no vendido se vender en $2.00. Si X= nmero de ejemplares vendidos,
entonces la utilidad neta es
h(X)=12X+2(10-X)-60=10X-40.
Sea X=nmero de cilindros del siguiente automvil que va a ser afinado en cierto taller.
El costo de una afinacin est relacionado con X por h(X)=20+3X+.5X 2. Como X es una
va, h(X) tambin lo es; simbolizamos esta ltima va por Y. Las pmf de X y Y son las
siguientes:
X 4 6 8 Y 40 56 76
f(X) .5 .3 .2 f(y) .5 .3 .2
Con D sealando posibles valores de Y,
E(Y)=E(h(X))= ( ) ( )
Segn la ecuacin anterior no es necesario determinar la pmf de Y para obtener E(Y).
Proposicin 2.59. Si la va tiene un conjunto de posibles valores D y pmf f(x), entonces

el valor esperado de cualquier funcin h(X), simbolizado por E(h(X))= ( ) ( ).
Ejemplo 2.60. Una tienda de computadoras ha comprado (en dlares) tres

computadoras de cierto tipo a $500.00 cada una y las vender a $1000.00. El
fabricante ha aceptado volver a comprar en $200.00 cualquier computadora que no se
haya vendido en el tiempo especificado. Sea X el nmero de computadoras vendidas y
supongamos que
f(0)=.1 f(1)=.2 f(2)=.3 f(3)=.4
Si sealamos con h(X) la unidad asociada con la venta de X unidades, la informacin
dada implica que
h(X)=ingreso-costo=1000X+200(3-X)-1500=800X-900.
La utilidad esperada es entonces
E(h(X))=h(0)f(0)+ h(1)f(1)+ h(2)f(2)= -900x.1+-100x.2+ 700x.3+ 1500x.4= $700.00
Proposicin 2.61. E(aX+b)=aE(X)+b

Adems de la media de X, a menudo el inters tambin recae en considerar la
variabilidad en el proceso de decisin.
Considrese la va X con la siguiente distribucin
X 18 20 22
f(x) 0.2 0.6 0.2
E(X)=18x.2+20x.6+22x.2=20
Ahora considrese la distribucin de la va Y
Y 0 15 25 40
f(x) 0.2 0.3 0.3 0.2
E(Y)=0x0.2+15x0.3+25x0.3+40x0.2=20
Aunque X y Y tienen los mismos valores esperados, la distribucin de Y es ms variable.

Las diferencias en las distribuciones en las dos variables aleatorias pueden resumirse al
considerar una medida de variabilidad.
Para X, el cuadrado de la diferencia de cada valor posible con respecto a E(X) es
(x-20)2 4 0 4
Probabilidad 0.2 0.6 0.2
Para Y el cuadrado de la diferencia de cada valor posible con respecto a E(Y) es
(y-20)2 400 25 25 400

Probabilidad 0.2 0.3 0.3 0.2
Calculemos el promedio ponderado de ambos
E(X-20)2=4x0.2+0x0.6+4x0.2=1.6
E(Y-20)2=400x0.2+25x0.3x25x0.3+400x0.2=175
El promedio de los cuadrados de las diferencias con respecto a la media es mucho

mayor para Y que para X. Este resultado concuerda con el hecho de que la distribucin
de Y est ms dispersa que la distribucin de X.
Definicin 2.62. Supngase que la media de X es x y que la funcin de probabilidad de

X es f(x). La varianza de una va X, denotada por o V(X) es
( x) =
2
( ) ( )
La desviacin estndar (DE) de X es

x=
Definicin 2.63. La desviacin estndar de una va X, denotado por x es la raz
cuadrada positiva de .
Proposicin 2.64. V(X)=E(X2)-(E(X))2.
Proposicin 2.65. V(aX+b)=/a/ x por tanto
Ejercicio 2.66. Se evala el acabado superficial de 40 muestras de cinta magntica y se

obtienen los siguientes resultados.
Nmero de defectos 0 1 2 3 4 5
Nmero de muestras 18 12 7 2 1 0
Determine la media y la varianza del nmero de defectos por muestra de cinta.
Ejercicio 2.67. Se mide la longitud de las terminales de varios componentes

electrnicos (a la dcima de milmetro ms cercana) y se obtienen los siguientes
resultados.
Longitud 2.0 2.1 2.2 2.3 2.4 2.5 2.6

Nmero de terminales 5 8 10 22 28 16 9
Determine la media y la varianza de la longitud de las terminales
Ejercicio 2.68. Determine la media y la varianza del ejercicio 2.28.
Ejercicio 2.71. Las muestras de cierta materia prima se clasifican de acuerdo a su

contenido de humedad e impurezas, redondeado ste al porcentaje ms cercano. A
continuacin se presentan los resultados obtenidos con 80 muestras.
Contenido de humedad
3% 4%
Impurezas 1% 5 14
2% 57 4
a) Determine la media y la varianza del contenido de humedad de estas muestras.
b) Calcule la media y la varianza del contenido de impurezas de estas muestras.
.Ejercicio 2.72. En un proceso de manufactura, mide en milmetros el dimetro interno

de 100 anillos para pistn. Los resultados son los siguientes.
Dimetro interno 68.85 69.90 69.95 70.00 70.05 70.10 70.15

Nmero de anillos 4 13 19 30 24 5 5
Sea X el dimetro interno de los anillos para pistn de este proceso. Determine la
media y la varianza de X.
Ejercicio 2.73. Si el rango de X es el conjunto {0, 1, 2, 3, 4} y P(X=x)=0.2, determine la
media y la varianza de la va.
Ejercicio 2.74. Determine la media y la varianza de ejercicio 2.35.

Ejercicio 2.77. El rango de la va es {0, 1, 2, 3,x} donde x es una incgnita. Si cada valor
es igualmente probable y la media de X es 6, calcule x.
Distribucin de probabilidad binomial.
Hay muchos experimentos que cumplen la siguiente lista de requisitos.

1. El experimento consiste en una secuencia de n ensayos, donde n se fija antes
del experimento
2. Los ensayos son idnticos y cada uno puede resultar en uno de los posibles
resultados que sealamos como xito (E) o fracaso (F).
3. Los ensayos son independientes por lo que el resultado de cualquier intento
particular no influye sobre el resultado de cualquier otro ensayo
4. La probabilidad de xito es constante de un ensayo a otro, denotamos esta
probabilidad por p.
Definicin 2.78. Un experimento que satisface las condiciones 1 a 4 se llama

experimento binomial.
Ejemplo 2.79. La misma moneda se lanza n veces en forma sucesiva e independiente,

utilizaremos E para sealar que la moneda cae cara y F para cruz.
Ejemplo 2.80. Se arroja una chincheta. Aqu E puede ser cuando cae con la punta
arriba y F con la punta abajo
En la mayora de los experimentos binomiales lo que nos interesa es el nmero total

de E ms que saber exactamente cuntos intentos produjeron las E.
mnbn
Definicin 2.81. Dado un experimento binomial formado por n ensayos, la va binomial

X asociada con este experimento est definido como:
X=nmero de E entre los n ensayos.
Suponga por ejemplo que n=3. Entonces hay ocho posibles resultados para el
experimento son EEE, EEF, EFE, EFF, FEE, FEF, FFE, FFF
De la definicin de X, X(EEF)=2, X(EFF)=1, etc. Con frecuencia escribiremos XBin(n,p)
para indicar que X es una va binomial basada en n ensayos con probabilidad p de
xitos.
Notacin. Debido a que la pmf de un va binomial X depende de los parmetros n y p,

denotamos la pmf por b(x;n,p)
Observemos que como los ensayos son independientes entonces

P(EEFE)=P(E)P(E)P(F)P(E)=p.p.(1-p)p =p3(1-p)
As,
Teorema 2.82 b(x;n,p)=( )px(1-p)n-x x=0,1,2,,n
0 en otro caso
Ejemplo 2.83 A cada una de las seis personas que toman refresco de cola,
seleccionadas al azar, se les da un vaso que contiene refresco de cola E y otro que
contiene refresco de cola F. Los vasos son idnticos en apariencia excepto por un
cdigo que se encuentra en el fondo para identificar la marca. Suponga que, en
realidad no hay tendencia entre las personas que beben refresco de cola a preferir
entre una marca y otra. Entonces p=P(un individuo seleccionado prefiere E)=.5, as que
X=nmero entre los seis que prefieren E, XBin(6, .5)
Entonces, P(X=3)=b(3; 6, .5)=.313
La probabilidad de que al menos tres prefieran E es

P(3 X)= ( )=.656
La probabilidad de que a lo ms uno prefiera E es

P(X 1)= ( =.109
Proposicion 2.84 Si XBin(n,p), entonces E(X)=np, V(X)=np(1-p)=npq y x= donde

q=1-p
Ejemplo 2.85 Si 75% de todas las compras en cierta tienda se hacen con tarjetas de
crdito y X es el nmero de entre 10 compras hechas con tarjeta de crdito,
seleccionadas al azar, entonces XBin(10, .75). As E(X)=np=10(.75)=7.5,
V(X)=npq=10(.75)(.25)=1.875 y =
Para n=1 la distribucin binomial se convierte en la distribucin de Bernoulli.
Distribucin de probabilidad de Bernoulli.
Si es una variable aleatoria que mide "nmero de xitos", y se realiza un nico

experimento con dos posibles resultados (xito o fracaso), se dice que la variable
aleatoria se distribuye como una Bernoulli de parmetro p
XBe(p)
Su funcin de distribucin viene definida por:
p si x=1
f(x; p)= q si x=0
0 en cualquier otro caso
Proposicin 2.86: E(X)=p V(X)=p(1-p)=pq
Ejercicio 2.87. Obtenga las siguientes probabilidades

a) B(4;10, .3)
b) b(4;10, .3)
c) b(6;10, .7)
d) P(2 X 4) cuando XBin(10, .3)
e) P(2 X) cuando XBin(10, .3)
Ejercicio 2.88. Una compaa que produce cristal fino sabe por experiencia que 10% de
sus copas tienen imperfecciones y deben clasificarse como de segunda.
a) Entre seis copas seleccionadas al azar Qu tan probable es que slo una sea
de segunda?
b) Entre seis copas seleccionadas al azar Cul es la probabilidad de que por lo
menos dos sean de segunda?
c) Si las copas se examinan una por una Cul es la probabilidad de que por lo
menos sean seleccionadas cinco para encontrar cuatro que no sean de
segunda?
Ejercicio 2.89. Veinte por ciento de todos los telfonos de cierto tipo se remiten para
repararse cuando todava est vigente su garanta. De stos 60% pueden ser reparados
y el otro 40% deben sustituirse por aparatos nuevos. Si una compaa compra 10 de
estos telfonos Cul es la probabilidad de que exactamente se cambien 2 dentro del
periodo de garanta?
Ejercicio 2.90. Un reglamento que requiere la instalacin de un detector de humo en

todas las casas prefabricadas, ha estado en vigor en una ciudad durante un ao. El
departamento de bomberos sta preocupado porque muchas casas siguen sin
detectores. Sea p=la verdadera proporcin de casas que tienen detectores y
supongamos que se inspeccione al azar una muestra de 25 casas. Si la muestra indica
que menos del 80% tiene detector, el departamento de bomberos har una campaa
para el que programa de instalacin sea obligatorio. Pero debido a lo costoso del
programa, el departamento no pedir tales inspecciones a menos que la evidencia
muestral apoye con argumentos vlidos esta necesidad. Sea X el nmero de casas con
detectores entre las 25 de la muestra. Considere rechazar la afirmacin de que p .8 si
x 15, donde x es el valor observado de X.
a) Cul es la probabilidad de que la peticin sea rechazada cuando el valor real

de p es .8?
b) Cul es la probabilidad de no rechazar la peticin cuando p=.7? Cundo p=.6?
Ejercicio 2.91 Un estudiante que est tratando de escribir un trabajo para un curso
tiene la opcin de seleccionar dos temas A y B. Si elige el tema A pedir dos libros por
medio de prstamo entre bibliotecas, pero si selecciona B pedir cuatro libros. El
estudiante cree que para un buen trabajo necesita por lo menos la mitad de los libros
solicitados para cualquiera de los temas seleccionados. Si la probabilidad de que un
libro solicitado por medio de prstamo entre bibliotecas en realidad llegue a tiempo es
.9 y los libros llegan independientemente unos de otros, Cul tema debe seleccionar
el estudiante para llevar al mximo la probabilidad de hacer un buen trabajo? Cul si
la probabilidad de llegada es slo .5 en lugar de .9?
Ejercicio 2.92 Los clientes de una gasolinera pagan con tarjeta de crdito (A), tarjeta de
debito (B) o en efectivo (C). Suponga que los clientes sucesivos eligen su forma de pago
de manera independiente con P(A)=.5, P(B)=.2, P(C)=.3
a) Entre los siguientes 100 clientes. Cules son la media y la varianza del nmero
de quienes pagan con tarjeta de crdito?, explique su razonamiento
b) Conteste el inciso a) para el nmero entre los 100 que no pagan en efectivo.
Distribucin hipergeomtrica.
Las suposiciones que llevan a la distribucin hipergeomtrica son:
1. La poblacin o conjunto donde deba hacerse el muestreo consta de N

individuos, objetos o elementos (una poblacin finita)
2. Cada individuo puede ser caracterizado como un xito (E) o fracaso (F), y hay M
xitos en la poblacin
3. Se elige una muestra sin reemplazo de n individuos, de tal forma que sea igual
de probable seleccionar cada subconjunto de tamao n.
La va de inters es X=nmero de E en la muestra. La distribucin de probabilidad de X

depende de los parmetros n, M y N, as que deseamos obtener P(X=x)=h(x;n,M,N)
Proposicin 2.93. Si X es el nmero de las E de una muestra completamente aleatoria

de tamao n de una poblacin formada por M xitos E y (N-M) fracasos F, entonces la
distribucin de probabilidad de X, llamada distribucin hipergeomtrica est dada por
( )( )
P(X=x)=h(x;n,M,N)=
( )
Para un entero x que satisfaga mx(0,n-N+M) x mn(n,M)
Ejemplo 2.94. Cinco ejemplares de una poblacin animal considerados en va de

extincin en cierta regin, han sido atrapados, marcados y puestos en libertad para
que se mezclen con la poblacin. Despus de mezclarse, se eligi una muestra
aleatoria de 10. Sea X=nmero de animales marcados de la segunda muestra. Si hay en
realidad 25 animales de este tipo en la regin. Cul es la probabilidad de que
a) X=2? b) X 2?
Los valores de los parmetros son n=10, M=5 y N=25, as que,
( )( )
h(x;10,5,25)= x=0, 1, 2, 3, 4, 5
( )
( )( )
para a) P(X=2)=h(2;10,5,25)= =.385
( )
para b) P(X 2)=P(X=0, 1, o 2)= ( )=.057+.257+.385=.699
Media y varianza de X
Proposicin 2.95. La media y la varianza de la va hipergeomtrica que tiene pmf

h(x;n,M,N) son E(X)=n V(X)= ( )
Distribucin binomial negativa.
La va binomial negativa y su distribucin est basada en un experimento que satisface

las siguientes condiciones:
1) Un experimento consta de una secuencia de ensayos independientes

2) Cada ensayo puede resultar en un xito (E) o fracaso (F)
3) La probabilidad de xito es constante de un ensayo a otro, as P(E en el ensayo
i)=p para i=1,2,3,
4) Un experimento contina (los ensayos se ejecutan) hasta que un total de r
xitos se haya observado, donde r es un entero positivo especfico.
La va de inters es X=nmero de fracasos que preceden al r-esmo xito; X se llama

va binomial negativa porque a diferencia de la va binomial, el nmero de xitos es
fijo y el nmero de ensayos es aleatorio.
Los posibles valores de X son 0, 1, 2, Denotemos por nb(x; r, p) la pmf de X, el

evento (X=x) es equivalente a (r-1 E en los primeros (x+r-1) ensayos y un E en el
(x+r)-esimo ensayo) como los intentos son independientes
Nb(x; r, p)=P(X=x)=P(r-1 E en los primeros x+r-1 intentos)P(E)
Proposicin 2.96. La pmf de la va binomial negativa X con parmetros r=nmeros

de las E y p=P(E) es nb(x; r, p) = pr (1-p)x x=0, 1, 2
Ejemplo 2.97. Un pediatra desea reclutar 5 parejas, cada una en espera de su

primer hijo, para que participen en un nuevo rgimen de nacimiento natural. Sea
p= P(una pareja seleccionada al azar accede a participar). Si p= .2 Cul es la
probabilidad de que se le pida a 15 parejas que participen antes de encontrar 5
parejas que accedan?. Esto es, con E={accede a participar}. Cul es la probabilidad
de que ocurran 10 F antes de la quinta E?. Al sustituir r=5, p=.2 y x=10 en nb(x; r,p)
se obtiene nb(10; 5, .2=( )(.2)5(.8)10=.034
La probabilidad de que a lo ms 10 F se observen (a lo sumo se pida a 15 parejas)
es P(X 10)= ( )=(.2)5 ( )(.8)x=.164
Proposicin 2.98. Si X es una va binomial negativa como pmf nb(x; r,p) entonces
( ) ( )
E(X)= V(X)=
Ejercicio 2.99. Cada uno de los 12 refrigeradores de cierto tipo ha sido devuelto a
un distribuidor debido a la presencia de un ruido agudo oscilante cuando el
refrigerador est funcionando. Supongamos que cuatro de estos 12 tienen
compresores defectuosos y los otros 8 tienen problemas menos serios. Si se
examinan al azar, sea X=nmero entre los primeros 6 examinados que tienen un
compresor defectuoso. Calcule lo siguiente
a) P(X=1)
b) P(X4)
c) P(1 X 3)
Ejercicio 2.100. Un gelogo ha recolectado 10 especmenes de roca basltica y 10
de granito. Se instruye a un asistente de laboratorio para que seleccione al azar 15
de los especmenes para analizarlos.
a) Cul es la pmf de nmeros de especmenes de basalto seleccionados para
analizarlos?
b) Cul es la probabilidad de que todos los especmenes de uno de los dos
tipos de roca sean seleccionados para el anlisis?
c) Cul es la probabilidad de que la cantidad de especmenes de granito
seleccionados para su anlisis est a menos de 1 desviacin estndar de su
valor promedio?
Ejercicio 2.101. Suponga que p=P(nazca varn)=.5 Una pareja desea tener
exactamente dos nias en su familia. Tendrn hijos hasta que se satisfaga esta
condicin
a) Cul es la probabilidad de que la familia tenga x hijos varones?
b) Cul es la probabilidad de que la familia tenga cuatro hijos?
c) Cul es la probabilidad de que la familia tenga a lo sumo cuatro hijos?
d) Cuntos varones se esperara que tenga esta familia?
Ejercicio 2.102. Tres hermanos y sus esposas deciden tener hijos hasta que cada
familia tenga dos nias. Cul es la mpf de X=nmero total de varones nacidos de
los hermanos? Cul es E(X) y cmo se compara con el nmero esperado de
varones nacidos de cada hermano?
Distribucin de Probabilidad de Poisson
Definicin 2.103. Se dice que una va X tiene una distribucin de Poisson si la pmf
de X es

P(x;)= x=0,1,2 para alguna >0
El valor de con frecuencia es una tasa por unidad de tiempo o por unidad de
rea, e representa el valor aproximadamente 2.71828

+=
Ejemplo 2.104. Sea X la cantidad de ostras de cierto tipo que caen en una trampa
durante determinado periodo. Supongamos que X tiene una distribucin de
Poisson con =4.5, por lo que en promedio las trampas tendrn 4.5 criaturas. La
probabilidad de que una trampa contenga exactamente cinco criaturas es
P(X=5) = =.1708
La probabilidad de que la trampa contenga al menos cinco criaturas es
P(X 5)= = ( )=.7029
Distribucin de Poisson como lmite.
Proposicin 2.105. Supongamos que la pmf binomial b(x; n,p) hacemos n p0,
en tal forma que np se acerca al valor Entonces b(x; n,p) p(x; )
Segn esta proposicin, en cualquier experimento binomial donde n sea grande y p

pequea, b(x; n,p)= p(x; ) donde =np. Como regla prctica se puede confiar en
esta aproximacin si n100, p .001 y np 20.
Ejemplo 2.106. Si un editor de libros no tcnicos se esmera en asegurar que sus

libros estn libres de errores tipogrficos y la probabilidad de que cualquier pgina
dada contenga al menos uno de tales errores es .005 y los errores son
independientes de pgina a pgina. Cul es la probabilidad de que una de sus
novelas de 400 pginas contenga exactamente 1 pgina con errores? A lo sumo
tres pginas con errores?
Con E sealando una pgina con error y F una pgina sin errores, el nmero X
de pginas que contiene al menos un error es una va binomial con n=400 y p=.005,
as que np=2. Queremos
P(X=1)=b(1;400, .005)=p(1:2)= =.271
De forma similar
P(X 3)= ( ) =.135+.271+.180=.875
Media y varianza de X
Proposicin 2.107. Si X tiene una distribucin de Poisson con parmetro ,

entonces E(X)=V(X)=
Ejercicio 2.108. Sea X la cantidad de grietas en la superficie de una caldera de

cierto tipo, seleccionada al azar con una distribucin de Poisson con parmetro =5
Calcule las siguientes probabilidades
a) P(X 8)
b) P(X=8)
c) P(9 X)
d) P(5 X 8)
e) P(5<X<8)
Ejercicio 2.109. Suponga que la cantidad de conductores que viajan entre cierto
origen y destino, durante determinado periodo, tiene una distribucin de Poisson
con parmetro =20. Cul es la probabilidad de que la cantidad de conductores
a) Sea mximo 10?
b) Sea mayor que 20?
c) Est entre 10 y 20 inclusive? Est estrictamente entre 10 y 20?
d) Sea mayor que la cantidad media en ms de dos desviaciones estndar.
Ejercicio 2.110. Suponga que aviones pequeos llegan a cierto aeropuerto segn
un proceso de Poisson, con tasa a=8 aviones por hora, de modo que el nmero de
llegadas por un periodo de t horas es una va de Poisson con parmetro =8t
a) Cul es la probabilidad de que exactamente 5 aviones pequeos lleguen
durante un periodo de una hora? Por lo menos 5? Por lo menos 10?
b) Cules son el valor esperado y la desviacin estndar del nmero de
aviones pequeos que lleguen durante un periodo de 90 minutos?
c) Cul es la probabilidad de que por lo menos 20 aviones pequeos lleguen
durante un periodo de 2 horas? De que a lo sumo 10 lleguen durante
este periodo?
Ejercicio 2.111. El nmero de solicitudes de asistencia recibido por un servicio de

remolque de vehculos con fallas es un proceso de Poisson con razn =4 por hora.
a) Calcule la probabilidad de que exactamente 10 solicitudes se reciben
durante un periodo en particular de dos horas.
b) Si los operadores de las gras e remolque descansan durante 30 minutos
para tomar alimentos. Cul es la probabilidad de que no se pierda ninguna
llamada de asistencia?
c) Cuntas llamadas se esperan durante el descanso?
Ejercicio 2.112. Suponga que hay rboles distribuidos en un bosque segn un proceso
de Poisson de dos dimensiones, con parmetro y que el nmero esperado de rboles
por acre es igual a 80
a) Cul es la probabilidad de que cierto lote de un cuarto de un acre haya a
lo sumo 16 rboles?
b) Si el bosque cubre 85 000 acres Cul es el nmero esperado de rboles en
el bosque?
c) Suponga que se selecciona un punto del bosque y se construye un crculo de
.1 milla de radio. Sea X=nmero e rboles dentro de esa regin circular
Cul es la pmf de X? (sugerencia 1 milla cuadrada = 640 acres).
Distribucin de probabilidad para va continuas

Definicin 2.113. Se dice que un va X es continua si el conjunto de posibles valores es
todo el intervalo de nmeros, esto es, si para algunos nmeros A<B, cualquier nmero
x entre A y B es posible.
Ejemplo 2.114. Si en el estudio de la ecologa de un lago efectuamos mediciones de su

profundidad en lugares seleccionados al azar, entonces X=profundidad en tal lugar, es
un va continua. Aqu A es la profundidad mnima y B es la profundidad mxima.
Ahora bien, supongamos que la va X es la del anterior ejemplo, y sea M=la profundidad
mxima en metros, de modo que cualquier nmero del intervalo [0,M] es un valor
posible de X. Si hacemos que X sea discreta, al medir la profundidad al metro ms
cercano, entonces los posibles valores son enteros positivos menores o iguales a M. La
distribucin discreta resultante de la profundidad se puede representar mediante un
histograma de probabilidad,
0 M
Si dibujamos el histograma de modo que el rea del rectngulo de arriba de cualquier

posible entero k sea la proporcin del lago, cuya profundidad es k (al metro ms
cercano, entonces el rea total de todos los rectngulos es 1.
Si se mide la profundidad al centmetro ms cercano y se utiliza el mismo eje de
medicin, cada rectngulo del histograma de probabilidad resultante es mucho ms
angosto, donde el rea total de todos los rectngulos todava es 1, el histograma tiene
una forma mucho ms liso. Si continuamos en esta forma para medir la profundidad de
una manera cada vez ms precisa, el histograma resultante se aproxima a una curva
continua. Debido a que para cada histograma el rea total de todos los rectngulos es
igual a 1, el rea total bajo la curva suave tambin lo es.
Definicin 2.115. Sea X un va continua. Entonces una distribucin de probabilidad o

funcin de densidad de probabilidad (pdf) de X es una funcin f(x) tal que para
cualquiera dos nmeros a y b, con a b
P(a X b)= ( )
Esto es, la probabilidad de que X tome un valor en el intervalo [a,b] es el rea bajo la
curva de la funcin de densidad.
Para que f(x) sea un pdf legitima, debe satisfacer las siguientes dos condiciones:
a) f(x)0
b) ( ) =1 rea bajo toda la grfica de f(x)
Ejemplo 2.116.Supnga que abordo un autobs para ir al trabajo y cada 5 minutos
llega un autobs a la parada de la esquina. Debido a variaciones en la hora en que
salgo de mi casa no siempre llego al mismo tiempo a la parada de la esquina por lo que
mi tiempo de espera X al siguiente autobs es una va continua. El conjunto de posibles
valores de X es el intervalo [1,5]. Una posible pdf para X es
f(x)= 1/5 0 x 5
0 de otra manera
La probabilidad de que yo espere entre 1 y 3 minutos es
P(1 X 3)= ( ) = =x/5 =2/5
P(1 X 3)
1 3
Definicin 2.117.Una va X continua tiene una distribucin uniforme en el intervalo

[A,B] si la pdf de X es f(x; A, B)= A x B
0 de otro modo
Proposicin 2.118. Si X es una va continua, entonces para cualquier nmero c
P(X=c)=0. Adems para cualesquiera dos nmeros a y b con a<b
P(a X b)=P(a<X b)=P(a X<b)=P(a<X<b)
Ejercicio 2.119. Simbolice con X la cantidad de tiempo de prstamo para un libro,

disponible durante dos horas en la biblioteca de una universidad, solicitado por un
estudiante seleccionado al azar, y suponga que X tiene una funcin de densidad
f(x)= .5x 0 x 2
0 de otra manera
Calcule las siguientes probabilidades
a) P(X 1)
b) P(.5 X 1.5)
c) P(1.5<X)
Ejercicio 2.120. Suponga que el error de hacer cierta medicin es una va continua X
con pdf f(x)= .09375(4-x2) -2 x 22
0 en otro caso
a) trace la grfica de f(x)
b) Calcule P(X>0)
c) Calcule P(-1<X<1)
d) Calcule P(X<-5 o X>5)
Ejercicio 2.121. Un maestro universitario nunca termina su clase antes que suene la
campana y siempre termina su clase a menos de 2 minutos despus de que suena la
campana. Sea X= el tiempo que transcurre entre la campana y el trmino de la clase, y
suponga que la pdf de X es f(x)= kx2 0 X 2
0 de otra manera
a) Encuentre el valor de k (sugerencia el rea total bajo la grfica de f(x)=1
b) Cul es la probabilidad de que la clase termine a menos de 1 minuto
despus de que suene la campana?
c) Cul es la probabilidad de que la clase contine entre 60 y 90 seg despus
de que suene la campana?
d) Cul es la probabilidad de que la clase contine por lo menos 90 segundos
despus de que suene la campana?
Ejercicio 2.122. El tiempo X (minutos) para que un asistente de laboratorio prepare el
equipo para un experimento tiene una distribucin uniforme con A=25 y B=35
a) Escriba la pdf de X y trace su grfica.
b) Cul es la probabilidad de que el tiempo de preparacin exceda en 33
minutos?
c) Cul es la probabilidad de que el tiempo de preparacin se encuentre a
una distancia de 2 min del tiempo medio? (sugerencia identifique de la
grfica de f(x)
Definicin 2.123. La funcin de distribucin acumulada F(x) para una va X continua

est definida para todo nmero x por
F(x)=P(X x) ( )
Proposicin 2.124. Sea X una va continua con pdf f(x) y cdfn F(x). Entonces para
cualquier nmero a P(X>a)=1-F(a)
Y para dos nmeros a y b cualesquiera tales que a<b
P(a X b)=F(b)-F(a)
Proposicin 2.125. Sea X una va continua con pdf f(x) y cdf F(x), entonces todo valor x
donde exista la derivada F(x), F(x)=f(x).
Definicin 2.126. El valor esperado o valor medio de una va X continua con pdf f(x) es
x=E(X)= ( )
Proposicin 2.127. Si X es una va continua con pdf f(x) y h(x) es cualquier funcin de X,
entonces E(h(X))=h(X)= ( ) ( )
Definicin 2.128. La varianza de una va X continua con pdf f(x) y valor medio es
=V(X)= ( ) ( ) =E(X-)2)
La desviacin estndar(DE) de X es x= ( )
Proposicin 2.129. V(X)=E(X2)-(E(X))2
Ejercicio 2.130. La cdf de la duracin X de tiempo de prstamo de un libro como se

describi en el ejercicio 2.119 es
0 x<0
F(x)= 0 x <2
1 2 x
Utilcela para calcular lo siguiente
a) P(X 1)
b) P(.5 X 1)
c) P(X>.5)
d) F(x) para obtener la funcin de densidad f(x)
Ejercicio 2.131. Simbolice con X el tiempo que dura un libro prestado con pdf dada en el
ejercicio 2.119
a) Calcule E(X)
b) Calcule V(X) y x.
c) Si la persona que solicita el libro se le cobra una cantidad h(X)=X2 cuando la
duracin del prstamo es X, calcule el cobro esperado E(h(X))
Ejercicio 2.132. Sea X la cantidad del espacio ocupado por un artculo colocado en una caja de
empaque de 1 pie3. La pdf de X es
f(x)= 90x8(1-x) 0<x<1
0 en cualquier otro caso

a) Grafique la pdf. A continuacin determine la cdf de X y grafquela.
b) Cunto es P(X .5)?
c) De acuerdo con el inciso a) Cunto es P(.25<x .5)?
d) Calcule la E(X) y x.
e) Cul es la probabilidad de que X est a menos de 1 desviacin estndar de su
valor medio?
Ejercicio 2.133. Sea X una va continua con cdf
F(X)= 0 x 0
* + 0<x 4
a) P(X 1)?
b) P(1 X 3)?
c) La pdf de X?
Ejercicio 2.134. Si la temperatura a que un cierto compuesto se funde es una va con valor
medio de 120oC, Cules son la temperatura media y la desviacin estndar media en F?
(sugerencia oF=1.8oC+32)
Distribucin normal.
La distribucin normal es la ms importante en probabilidad y estadstica. Muchas poblaciones

numricas tienen distribuciones que se pueden ajustar con mucha aproximacin mediante una
curva normal apropiada. Por ejemplo, la estatura, el peso y otras caractersticas fsicas, errores
de medicin de experimentos cientficos, tiempos de reaccin de experimentos psicolgicos,
mediciones de inteligencia y aptitud, calificaciones de diversas pruebas entre otros.
Definicin 2.135. Se dice que una va X continua tiene una distribucin normal con parmetros
y y 2 donde - < < y 0< , si la pdf de X es
F(x; , )= ( ( )
- <x<

Esta distribucin la abreviaremos como XN(, 2)
Distribucin normal estndar.
Definicin 2.136. La distribucin normal con valores de parmetros =0 y =1 recibe el

nombre de distribucin normal estndar. Una variable aleatoria que tiene una distribucin
normal estndar se llama va normal estndar y se simboliza con Z. La pdf de Z es
F(z;0,1)= - <z<

La cdf de Z es P(Z z)= ( ) la cual sealamos con (z).
Distribuciones normales no estndar.
Cuando XN(, 2, las probabilidades donde aparezca X se calculan por estandarizacin. La

variables estandarizada es (X-)/ . Al restar se desplaza la media de a 0, y despus al
dividir entre se grada la variable para que la desviacin estndar se 1 en lugar de .
Proposicin 2.137. Si X tiene una distribucin normal con media y desviacin estndar ,
entonces

Z=
Tiene una distribucin normal estndar. As

P(a X b)=P( )=( ) ( )

P(X a)= ( ) P(Xb)=1-( )
La idea clave de la proposicin es que al estandarizar, cualquier probabilidad donde aparezca X

puede ser expresada como una probabilidad donde exista una va Z normal estndar para lo
cual se puede utilizar alguna tabla
Ejemplo 2.138. El tiempo que tarda un automovilista en reaccionar a las luces de freno
traseras de otro vehculo al desacelerar, es crtico para ayudar a evitar una colisin un (artculo
sealado en la pag 161 del libro de Jay L. Devore) sugiere que el tiempo de reaccin para una
respuesta en trnsito a una seal de frenado de luces de freno estndar, se puede modelar con
una distribucin normal que tenga un valor medio de 1.25 s y desviacin estndar .46 s. Cul
es la probabilidad de que el tiempo de reaccin se encuentre entre 1.00 y 1.75 s?
Si denotamos por X el tiempo de reaccin, entonces la estandarizacin da
1.00 X 1.75 Si y slo si
As P(1.00 X 1.75)=P( Z )=P(-.54 Z 1.09)=(1.09)-(-.54)=.8621-

.2946=.5675
La estandarizacin no es ms que calcular una distancia a partir del valor medio y expresar esta
distancia como algn nmero de desviaciones estndar. Por ejemplo si =100 y =15,
entonces x=130, que corresponde a z=(130-100)/15=30/15=2.00. As 130 est a 2 desviaciones
estndar arriba (a la derecha) del valor medio.
Ejemplo 2.139. Se sabe que el voltaje de ruptura de un diodo de un tipo particular, escogido al
azar, est normalmente distribuido Cul es la probabilidad de que el voltaje de ruptura del
diodo se encuentre a menos de una desviacin estndar de su valor medio? Esta pregunta se
puede contestar sin conocer o , mientras se sepa que la distribucin es normal

P(X esta dentro de 1 DE de su media)=P(- X + )=P( Z )=
=P(-1.00 Z 1.00)=(1.00=-(-1.00)=.6826
Distribucin normal y poblaciones discretas.
La distribucin normal se emplea muchas veces como una aproximacin a la distribucin de

valores en una poblacin discreta.
Aproximacin normal a la distribucin binomial.
Proposicin 2.140. Sea X una va binomial basada en n ensayos con probabilidad de xito p.
Entonces, si el histograma de probabilidad binomial no est demasiado sesgado, X tiene
aproximadamente una distribucin normal con =np y = . En particular para x=valor
posible de X.
P(X x)=B(x;n,p)=( )=(

En la prctica la aproximacin es adecuada siempre que np10 y nq10
Ejemplo 2.141. Suponga que el 25% de todos los conductores con licencia, en determinado
estado, no estn asegurados. Sea X la cantidad de conductores no asegurados en una muestra
aleatoria de tamao 50 (identifiquemos que un xito es un conductor no asegurado), de modo
que p=.25. Entonces =12.5 y =3.06. Como np=50(.25)=12.510 y nq=37.510, se puede
aplicar con seguridad la aproximacin;
P(X 10)=B(10;50,.25)=( )=.2578
De igual modo, la probabilidad de que entre 5 y 15 (inclusive) de los conductores

seleccionados no estn asegurados es
P(5 X 15)=B(15;50,.25)-B(4;50,.25)=( )- ( )==.8320
Las probabilidades exactas son .2622 y .8348 respectivamente por los que las aproximaciones
son bastante buenas.
Ejercicio 2.142 En cada caso determine el valor de la constante c que exprese correctamente el
enunciado de probabilidad
a) (c)=.9838
b) P(0 Z c)=.291
c) P(c Z)=.121
d) P(-c Z c)=.668
e) P(c /Z/)=.016
Ejercicio 2.143. Determine Z para lo siguiente
a) = .0055
b) =.09
c) =.663
Ejercicio 2.144. Suponga que la fuerza que acta sobre una columna, que ayuda a sostener un
edificio, est normalmente distribuida con media de 15.0 kips y desviacin estndar de 1.25
kips. Cul es la probabilidad de que la fuerza:
a) Sea a lo sumo 17 kips?

b) Se encuentre entre 10 y 12 kips?
c) Difiera de 15.0 kips en a lo sumo 2 DE?
Ejercicio 2.145. Suponga que el dimetro de los rboles de determinado tipo , a la altura del
pecho, se distribuye normalmente con =8.8 y =2.8
a) Cul es la probabilidad de que el dimetro de un rbol, seleccionado al azar, sea a

lo sumo 10 pulg? Y Qu sea mayor de 10 pulg?
b) Cul es la probabilidad de que el dimetro de un rbol seleccionado al azar sea
mayor que 20 pulg?
c) Cul es la probabilidad de que el dimetro de un rbol seleccionado al azar sea
entre 5 y 10 pulg?
d) Qu valor de c es tal que el intervalo (8.8-c, 8.8+c) incluya 98% de todos los
valores de dimetro?
Ejercicio 2.146. El dispositivo automtico de apertura de un paracadas militar de carga se ha
diseado para abrirse cuando se encuentre a 200 m de altura. Suponga que la altitud de
apertura en realidad tiene una distribucin normal con valor medio de 200 m y desviacin
estndar de 30 m. Habr ao al equipo si el paracadas se abre a una altitud de menos de 100
m. Cul es la probabilidad de que haya dao a la carga en al menos uno de cinco paracadas
lanzados independientemente?
Ejercicio 2.147. La distribucin del peso de paquetes enviados de cierto modo, es normal con
valor medio de 10 libras y desviacin estndar de 2 libras. El servicio de paquetera desea
establecer un valor de peso c ms all del cual habr cargo extra Cul es el valor de c tal que
99% de todos los paquetes pesen por lo menos 1 libra abajo del peo con cargo extra?
Distribucin gamma
Definicin 2.148. Para >0 la funcin gamma () est definida como
()= dx
Las propiedades ms importantes de la funcin gamma son las siguientes:
1. Para cualquier >1, ()=(-1)* (-1) (va integracin por partes)

2. Para cualquier entero positivo n, (n)=(n-1)!
3. (1/2)=
Definicin 2.149. Se dice que una va X continua tiene una distribucin gamma si la pdf de X es
f(x;,)=X-1e-x/ x0
0 de otra manera
donde los parmetros y satisfacen >0 y >0. La distribucin gamma estndar tiene =1
as la pdf de una va gamma estndar est dada por

f(x; )= x0
()
0 de otra manera
Proposicin 2.150. La media y la varianza de una va X que tenga distribucin gamma f(x; ,)
son E(X)= V(X)= 2
Distribucin exponencial.
Definicin 2.151. Se dice que X tiene una distribucin exponencial si la pdf de X es

f(x:)= x0 donde >0
0 de otra manera
La media y la varianza de la distribucin exponencial es:

== 2
=2=

La cdf de X es F(x, )= 0 x<0

1- x0
Ejemplo 2.152. Suponga que el tiempo de respuesta X en cierta terminal de computadora en

lnea (el tiempo transcurrido entre el fin de la consulta del usuario y el principio de la
respuesta del sistema a esa consulta) tiene una distribucin exponencial con tiempo esperado
de respuesta igual a 5 s. Entonces la E(X)=1/ =5, por lo cual =.2. La probabilidad de que el
tiempo de respuesta sea a lo sumo 10 s es
( )( )
P(X 10)=F(10, .2)=1-
La probabilidad de que el tiempo de respuesta est entre 5 y 10 bs es
P(5 X 10)=F(10;.2) F(5; .2)= (1- ) -(1- )=.233
Distribucin ji-cuadrada
Definicin 2.153. Sea v un entero positivo. Entonces, una va X se dice que tiene una
distribucin ji-cuadrada o tambin llamada chi cuadrada con parmetro v si la pdf de X es la
funcin de densidad gama con =v/2 y =2. La pdf de una va ji-cuadrada es entonces
f(x;v)= x0
( )
0 x<0
El parmetro v se llama nmero de grados de libertad( df) de X. El smbolo X2 se usa a veces

en lugar de ji- cuadrada.
Ejercicio 2.154. Evale lo siguiente
a) (6)
b) (5/2)
c) (5; 4
d) F(0;4))
Ejercicio 2.155. Suponga que el tiempo (en horas) tomado por el propietario de una casa para
podar el csped de su jardn es una va X, que tiene una distribucin gama con parmetros =2
y =1/2 Cul es la probabilidad de que tarde
a) A lo sumo 1 hora para podar el csped?

b) Por lo menos 2 horas para podar el csped?
c) Entre .5 y 1.5 horas para podar el csped?
Ejercicio 2.156. Suponga que cuando un transistor de cierto tipo se somete a una prueba
acelerada de vida til la duracin X (en semanas) tiene una distribucin gamma con media de
24 semanas y desviacin estndar de 12 semanas
a) Cul es la probabilidad de que un transistor dure entre 12 y 24 semanas?

b) Cul es la probabilidad de que un transistor dure a lo sumo 24 semanas?
Ejercicio 2.157. Sea X la distancia en metros que un animal se mueve desde su lugar de
nacimiento hasta el primer territorio vacante que se encuentra. Suponga que para las ratas
canguro, X tiene una distribucin exponencial con parmetro =.01386
a) Cul es la probabilidad de que la distancia sea a lo sumo 100 metros? Cundo

mucho 200 metros? Entre 100 y 200 m?
Cul es la probabilidad de que la distancia sea mayor que la distancia promedio en ms de

dos desviaciones estndar?
Distribucin T student.
En probabilidad y estadstica la distribucin-t o distribucin t de Student es una distribucin de

probabilidad que surge del problema de estimar la media de una distribucin normalmente
distribuida cuando el tamao de la muestra es pequea
Definicin 2.158. Una va se distribuye segn el modelo de probabilidad t con k grados de

libertad donde k es un entero positivo si su funcin de densidad es la siguiente:
( )
hk(t)= ( ) - <t<
( )
donde (p)=
Definicin 2.159. Sea X una variable aleatoria. Diremos que X tiene una Distribucin F de
Fisher con n grados en el numerador y m grados en el denominador, si su funcin de densidad
de probabilidad viene dada por
( )
f(x)= ( )
( )( ) ( )

Probabilidad y Estadistica Sin Respuestas

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Probabilidad y Estadistica Sin Respuestas

Загружено:

Авторское право:

Доступные форматы

Probabilidad y estadstica

1. Devore JAY L (2001)

Lanzamientos de dados, o monedas, juego con barajas, ruletas loteras, etc.

Hoy en da, es incuestionable el impacto que la teora de la probabilidad ha tenido en

La tarea de calcular probabilidades se reduce a contar. En muchos experimentos es prohibitivo

Reglas del producto para pares ordenados

Proposicin 1.1 Si el primer elemento de un par ordenado se puede seleccionar en n1 formas y

Una forma ms general de esta primera regla es:

Una segunda regla:

Definicin 1.4 Cualquier secuencia ordenada de k objetos tomados de un conjunto de n

Una tercera regla.

Definicin 1.6 En un conjunto de n objetos distintos, cualquier subconjunto no ordenado de

El nmero de combinaciones de tamao k de un conjunto particular es menor que el nmero

Definicin. 1.8 Un experimento aleatorio es aquel que proporciona diferentes resultados an

Definicin 1.9 Un espacio muestral de un experimento aleatorio denotado por S. es el

Definicin 1.13 Un evento es cualquier coleccin (subconjunto) de resultados contenido en el

Definicin 1.26 Contencin de eventos. Si cualquier resultado de B es tambin resultado de A,

Ejemplo 1.28 En el ejemplo de tirar un dado A-B={2,4,6}-{2,3,5}={4,6}

Definicin 1.29 Complemento de un evento. El complemento de un evento A con respecto al

Ejercicio 1.31. En un torneo de baloncesto vacacional participan 4 universidades 1, 2, 3 , 4. En

a) Haga una lista de todos los resultados de S.

d) Cules son los resultados en AB y en AB?, Cules son los resultados en A ?

Probabilidades de eventos, reglas aditivas y multiplicativas

Dado un experimento y un espacio muestral S, a cada evento A le asignamos un nmero P(A)

Toda probabilidad debe cumplir con los siguientes axiomas:

Axioma 1. Para cualquier evento P(A)0

La probabilidad cumple con las siguientes propiedades:

Proposicin 1.32. Para cualquier evento A, P(A)=1-P(A)

Proposicin 1.33. Si A y B son mutuamente excluyentes P(AB)=0

Proposicin 1.34. Para cualquiera dos eventos A y B

Nota. Si son tres o ms eventos se calculan de manera anloga.

P(ABC))=P(A)+P(B)+P(C)- P(AB)- P(AC) -P(BC)+P(ABC)

Cuando los diversos resultados de un experimento son igualmente probables, la tarea de

Algunas probabilidades de algunos experimentos son:

Ejemplo 1.35 Tirar un dado

Ejemplo 1.36 Par de dados.

Como hay ( )=6 combinaciones formadas de dos palos, entonces

Ejercicio 1.43 Se tiran 10 dados. Cul es la probabilidad de que ninguno muestre el

Ejercicio 1.46. Problema del cumpleaos.

b) Si se eligen 23 personas Cul es la probabilidad de que algunas de ellas tengan

b) Forme un espacio muestral que represente el tirar un par de dados tetradrico.

Ejercicio 1.56. Describa un ejemplo de un espacio muestral en el que todos los

Ejercicio 1.57. En la definicin ( ( ) ). Se requiere que el conjunto S no sea

Ejercicio 1.61. Se tira una moneda n veces. Cul es la probabilidad de sacar

Ejercicio 1.69. Manos de pquer.

c) Cul es la probabilidad de que una mano de pquer tenga un par?. Un par

b) Cul es la probabilidad de que los tres primeros tiros salgan cara?

c) Cul es la probabilidad de que haya cantidades iguales de caras que de cruces

d) Cul es la probabilidad de que haya igual cantidad de caras que de cruces o de

Ejercicio 1.71.Se tiran tres dados

b) Cul es la probabilidad de que al menos uno muestre el 1?

c) Cul es la probabilidad de que al menos uno caiga en 2?

d) Cul es la probabilidad de que ningn dado muestre el 1 o el 2?

e) Cul es la probabilidad de que al menos un dado caiga en 1 o al menos uno

f) Cul es la probabilidad de que al menos con un dado se obtenga un 1 y en

Eventos independientes, dependientes y probabilidad condicional.

Definicin 1.72 (Probabilidad condicional) Sean A y B eventos, supongamos que

Definicin 1.78. Regla de multiplicacin para P(AB)

Ejercicio 1.79. Cuatro individuos han respondido a una solicitud de un banco de

Definicin 1.80. La regla de multiplicacin para tres eventos es:

Ejemplo 1.81. Para el experimento del tipo sanguneo

Ejercicio 1.82. Una cadena de tiendas vende tres marcas diferentes de

a) Cul es la probabilidad de un comprador seleccionado al azar haya comprado